теории

Поделиться статьей в социальных сетях:

в избранное

Вычислительная теория сознания

Ссылка на оригинал: Stanford Encyclopedia of Philosophy

Впервые опубликовано 16 октября 2015 года.

[Примечание редактора: новая статья Майкла Рескорла заменяет предшествующую статью на эту тему от предыдущего автора.]

Может ли машина мыслить? Является ли сознание мыслящей машиной? Революция в вычислительной технике привела к глубоким переменам в обсуждении этих вопросов, значительно повысив ожидания относительно возможности создания машин, имитирующих рассуждения, принятие решений, решение задач, восприятие, лингвистическое понимание и другие характерные ментальные процессы. Прогресс в информационных технологиях привел к предположению, что сознание как таковое является вычислительной системой — это предположение лежит в основе так называемой вычислительной теории сознания (ВТС).

Исследователей, придерживающихся ВТС, по крайней мере в отношении отдельных значимых ментальных процессов, называют компьютационалистами. ВТС играла ведущую роль в развитии когнитивных наук в период 1960-х — 1970-х годов. В течение долгих лет она занимала доминирующее положение, однако впоследствии возникло множество альтернативных ей парадигм. Ключевая задача, стоящая перед компьютационалистами, — объяснить, что подразумевается под «вычислительной» деятельностью сознания.

Второй их задачей является нахождение аргументов в пользу того, что сознание действительно занимается «вычислениями» в релевантном смысле.

Третья задача состоит в том, чтобы выяснить, как вычислительное описание соотносится с другими общими описаниями ментальных процессов, в частности с нейрофизиологическим описанием, опирающимся на нейрофизиологические свойства мозга или тела организма, и интенциональным описанием, опирающимся на репрезентационные свойства состояний сознания.

Машины Тьюринга

Интуитивные понятия «вычисление» и «алгоритм» являются основополагающими в математике. Выражаясь простым языком, алгоритм — это явно сформулированная пошаговая процедура, направленная на нахождение ответа на вопрос или решение проблемы. Алгоритм представляет собой набор рутинных механических инструкций, определяющих характер действий на каждом этапе. Следование этим инструкциям не требует особой сообразительности или креативности.

Так, известные всем с начальной школы алгоритмы описывают, как производить сложение, умножение и деление. Вплоть до начала XX века математики опирались на неформальные определения вычисления и алгоритма, не предпринимая попыток провести их сколько-нибудь формальный анализ. Дальнейшее развитие основ математики в определенный момент сподвигло логиков на более систематический подход.

 Подход, оказавшийся наиболее влиятельным, был изложен в фундаментальной статье Алана Тьюринга «О вычислимых числах применительно к проблеме разрешимости» (Turing 1936).

Машиной Тьюринга называется абстрактная модель идеального вычислительного устройства, обладающего неограниченным временем и объемом памяти.

Устройство занимается манипулированием символами, подобно человеку, использующему рукописные символы на бумаге при произведении арифметических вычислений. О природе символов Тьюринг подробно не говорит: он исходит из предпосылки, что эти примитивные символы принадлежат к конечному алфавиту.

Также он предполагает, что символы могут быть напечатаны или стерты из «ячейки памяти». Модель Тьюринга работает следующим образом:

1. Существует бесконечное количество ячеек памяти, организованных линейно. Эти ячейки памяти можно образно представить как клетки на бесконечно длинной бумажной ленте. На практике же ячейки памяти могут быть физически реализованы на различных носителях (напр., кремниевых чипах).
2. Имеется центральный процессор, имеющий доступ в каждый момент времени только к одной ячейке. Образно его можно представить в виде «сканера», двигающегося по бумажной ленте от одной ячейки памяти до другой.
3. Центральный процессор может принять одно из конечного множества состояний.
4. Также он может производить четыре элементарных операции: записать символ в ячейку памяти, стереть символ из ячейки, получить доступ к следующей ячейке памяти в линейном массиве («сдвинуться вправо по бумажной ленте») или к предыдущей ячейке («сдвинуться влево»).
5. Конкретная элементарная операция, выполняемая центральным процессором, зависит лишь от двух факторов: от символа, содержащегося в актуальной ячейке памяти, и от состояния самого процессора.
6. Машинная таблица определяет, какую элементарную операцию производит центральный процессор в зависимости от своего текущего состояния и от символа, к которому процессор имеет в текущий момент доступ. Также машинная таблица определяет то, каким образом изменяются состояния процессора в зависимости от вышеуказанных факторов. Таким образом, в машинной таблице содержится конечное число рутинных механических инструкций, управляющих процессом вычислений.

Тьюринг перевел это неформальное описание в строгую математическую модель (более подробно см. в статье о машинах Тьюринга).

Тьюринг обосновывает свой подход размышлением об идеальных человеческих агентах, осуществляющих вычисления.

 Эта точка зрения была впоследствии почти универсально принятой.

Вычисления Тьюринга обычно характеризуются эпитетом «цифровые» в противоположность «аналоговым». Конкретное значение этих эпитетов ясно не всегда, однако основная идея состоит в том, что такого рода вычисление всегда оперирует дискретными конфигурациями. С другой стороны, многие значимые в истории алгоритмы оперируют непрерывно меняющимися конфигурациями. К примеру, евклидова геометрия во многом основана на построениях с помощью циркуля и линейки, манипулирующих геометрическими фигурами.

Для любой геометрической фигуры существует другая, отличная от первой на сколь угодно малое значение. Символические конфигурации, которыми манипулирует машина Тьюринга, не могут отличаться друг от друга на сколь угодно малое значение. Машины Тьюринга оперируют дискретными последовательностями элементов (цифр), составляющих конечный алфавит. Вопрос о том, подходит ли цифровая парадигма для моделирования работы сознания или же следует использовать аналоговую парадигму, является одним из наиболее широко обсуждаемых (MacLennan 2012; Piccinini and Bahar 2013).

Помимо самого введения концепции «машин Тьюринга» Тьюринг (Turing 1936) также доказал несколько примечательных математических теорем, связанных с ними. В частности, он доказал существование универсальной машины Тьюринга (УМТ). УМТ является, условно говоря, машиной Тьюринга, способной воспроизводить работу любой другой машины Тьюринга. Если задать для УМТ символьные данные, кодирующие машинную таблицу для Тьюринговой машины М, то УМТ будет воспроизводить поведение М, выполняя инструкции, заложенные в машинной таблице М.

В этом смысле УМТ является программируемым компьютером общего назначения. В первом приближении все персональные компьютеры также являются компьютерами общего назначения: они могут имитировать любую машину Тьюринга, если их правильно запрограммировать. С той лишь существенной оговоркой, что физические компьютеры, в отличие от машины Тьюринга, имеют ограниченный объем памяти. Если точнее, персональный компьютер может воспроизводить работу любой машины Тьюринга, пока не израсходует ограниченный объем своей памяти.

Начатая Тьюрингом дискуссия способствовала появлению компьютерных наук, нацеленных на разработку, создание и исследование вычислительных систем. Как известно, исследователи в этой области добились больших успехов в создании крайне сложных вычислительных устройств. Все эти устройства реализуют нечто похожее на вычисления в понимании Тьюринга, хотя и отличное в конкретных деталях от его упрощенной модели.

Искусственный интеллект

Быстрый прогресс в компьютерных науках подвел многих, включая самого Тьюринга, к вопросу, возможно ли создать компьютер, способный мыслить. Искусственный интеллект (ИИ) является направлением исследований, ориентированных на создание «мыслящих механизмов». Точнее говоря, исследования в области ИИ направлены на создание вычислительных машин, выполняющих основные процессы сознания, такие как вынесение суждений, принятие решений, решение задач и т.п. В течение 1950-х — 1960-х годов эта цель представлялась все более достижимой (Haugeland 1985).

Ранние исследования в области ИИ подчеркивали важность логики. Исследователи стремились «механизировать» дедуктивное мышление. Известным примером достижений в этом направлении была программа Logic Theorist (Newell and Simon 1956), доказавшая 38 из 52 теорем из «Оснований математики» Уайдхеда и Рассела (2005–06). В одном случае программа смогла найти более простое доказательство, нежели изложенное в «Основаниях математики».

Ранние успехи в этом направлении вызвали огромный интерес к нему как внутри, так и вне академических кругов. Многие исследователи предсказывали, что разумные машины появятся уже через несколько лет. Очевидно, эти предсказания так и не сбылись. Пока еще мы не окружены разумными роботами.

Даже такие относительно низкоуровневые ментальные процессы, как восприятие, значительно превышают возможности современных компьютерных программ. Когда же уверенные предсказания о грядущих мыслящих машинах оказались излишне оптимистичными, интерес к этой области значительно уменьшился, многие эксперты пришли к выводу, что ИИ является бесполезной затеей. Тем не менее в прошедшие десятилетия здесь все же наблюдался умеренный прогресс. Одним из ярких успешных примеров был компьютер IBM Deep Blue, одержавший победу над чемпионом мира по шахматам Гарри Каспаровым в 1997 году. Другим важным успехом был также беспилотный автомобиль «Стэнли» (Thrun, Montemerlo, Dahlkamp et al. 2006), который, пройдя испытательный забег в 132 мили в пустыне Мохаве, выиграл в 2005 году соревнование беспилотных автомобилей DARPA Grand Challenge, организуемое Управлением перспективных исследовательских проектов Министерства обороны США (DARPA). Хоть и не столь ярким, но тоже достижением можно считать и существенное улучшение алгоритмов распознавания речи.

Одной из постоянно возникающих проблем в ранних работах в области ИИ была неопределенность. Практически любое вынесение суждений или принятие решений осуществляется в условиях неопределенности, например принятие решения о поездке на пикник при условии неопределенности, будет ли дождь или нет. Байесовская теория принятия решений является стандартной математической моделью принятия решений в условиях неопределенности. Неопределенность задается в терминах вероятности. Существуют четкие правила относительно того, как меняются вероятности при поступлении новых данных, и того, какие действия предпринимаются с учетом вероятностей и функций полезности. (Подробнее см. статьи «Теорема Байеса» и «Нормативные теории рационального выбора: ожидаемая полезность») В 1980-х — 1990-х годах развитие теории и технологий позволило создать эффективные компьютерные программы, которые реализовывали или аппроксимировали байесовский вывод в условиях реалистичных сценариев. Это привело к взрывному росту байесовского ИИ (Thrun, Burgard and Fox 2006), включая вышеупомянутый прогресс в области распознавания речи и беспилотного вождения. Разрешимые алгоритмы, работающие с неопределенностью, являются главным достижением в области современного ИИ, а также, возможно, предзнаменованием еще более впечатляющих достижений в будущем.

Некоторые философы утверждают, что компьютеры независимо от степени их сложности смогут в лучшем случае имитировать мышление, а не воспроизводить его. Компьютерная модель погоды на самом деле не вызывает дождь. Моделирование полета на компьютере не есть реальный полет. Даже если компьютеризированная система сможет моделировать деятельность сознания, непонятно, с какой стати предполагать, что имитация может обернуться чем-то подлинным?

Тьюринг (Turing 1950) предвидел появление этих разногласий и предпринял попытку предотвратить их.

Подход, предложенный Тьюрингом, привлек к себе значительное внимание и оказал сильное влияние на всю область ИИ. Нед Блок (Block 1981), однако, приводит существенное возражение против такого подхода. Он утверждает, что некоторые возможные машины будут проходить тест Тьюринга, при этом нисколько не приближаясь к подлинной способности мыслить, или интеллекту. Обсуждение возражения Блока и другие вопросы, связанные с тестом Тьюринга, см. в статье о тесте Тьюринга.

Более подробно об ИИ см. в статье «Логика и искусственный интеллект». Еще более подробно см. Russell and Norvig (2010).

Классическая вычислительная теория сознания

Уоррен МакКаллох и Уолтер Питтс (McCulloch and Pitts 1943) впервые предположили, что нечто наподобие машины Тьюринга могло бы послужить подходящей моделью сознания.

В 1960-х годах идея тьюрингова вычисления легла в основу формировавшейся тогда междисциплинарной инициативы — когнитивных наук, занимающихся исследованием сознания с опорой на психологию, компьютерные науки (в частности ИИ), лингвистику, философию, экономику (в частности теорию игр и поведенческую экономику), антропологию и нейронауку. Название «классическая вычислительная теория сознания» (далее сокращаемая до КВТС) в настоящий момент является общепринятым.

Эти формулировки не являются точными. КВТС, скорее, является набором родственных точек зрения, нежели единой и хорошо определенной теорией.

Зачастую КВТС считают воплощением «метафоры компьютера». Это описание является ошибочным в двух аспектах.

Во-первых, для КВТС более точной является формулировка «вычисляющая система» или «вычислительная система», нежели просто «компьютер». Как отмечает Дэвид Чалмерс (Chalmers 2011), описание системы как «компьютера» автоматически предполагает ее программируемость.

Чалмерс также отмечает, что из того, что сознание рассматривается как вычислительная система, подобная машине Тьюринга, вовсе не следует, что сознание является программируемым. (Большая часть машин Тьюринга не является программируемыми.) Таким образом, фраза «метафора компьютера» навязывает теоретические утверждения, не являющиеся существенными для КВТС.

Данный вопрос является не просто терминологическим. Критики КВТС часто возражают, что сознание вовсе не является программируемым компьютером общего назначения (Churchland, Koch and Sejnowski 1990). Поскольку компьютационалистам нет необходимости утверждать (и они чаще всего и не утверждают), что сознание является программируемым компьютером общего назначения, это возражение только уводит в сторону.

Во-вторых, КВТС не подразумевает метафоричности. КВТС не просто утверждает, что сознание похоже на вычислительную систему. КВТС утверждает, что сознание буквально является вычислительной системой. Разумеется, большая часть известных нам вычислительных систем сделаны из кремниевых чипов или подобных им материалов, в то время как человеческое тело состоит из плоти и крови. Однако КВТС подразумевает, что это различие скрывает более фундаментальное сходство, которое мы можем распознать с помощью подобной машине Тьюринга вычислительной модели.

 Предлагая подобную модель, мы абстрагируемся от физических деталей. Мы получаем абстрактное вычислительное описание, которое физически может быть реализовано в различных формах (напр., кремниевых чипах, нейронах или блоках и рычагах). КВТС подразумевает, что подходящая абстрактная вычислительная модель позволяет получить буквальное и истинное описание основных ментальных процессов.

 В ряде аспектов этот формализм, как представляется, носит слишком ограничительный характер.

1. Во-первых, машины Тьюринга осуществляют исключительно символическую обработку информации. Вводом и выводом в таких машинах являются символы, записанные в ячейки памяти. Сознание же, напротив, получает сенсорные входные данные (напр., стимуляцию сетчатки) и на выходе производит моторные реакции (напр., сокращение мышц). Полная теория должна описывать, как относящееся к сознанию вычисление соотносится с сенсорными входными данными и моторными выходными данными.
2. Во-вторых, машина Тьюринга имеет бесконечный объем дискретной памяти. Обычные биологические системы имеют конечный объем памяти. Правдоподобная психологическая модель должна заменить бесконечный объем памяти на достаточно большой, но ограниченный.
3. В-третьих, современные компьютеры имеют оперативную память: адресуемые ячейки памяти, к которым центральный процессор может обращаться напрямую. Память в машине Тьюринга не является адресуемой. Центральный процессор может получить доступ к ячейке, только последовательно проходя промежуточные ячейки. Вычислительный процесс, не располагающий адресуемой памятью, является безнадежно неэффективным. В связи с этим С.Р. Галлистер и Адам Кинг (Gallistel and King 2009) утверждают, что адресуемая память представляет лучшую модель сознания, чем неадресуемая.
4. В-четвертых, машина Тьюринга имеет центральный процессор, работающий последовательно, выполняя одну инструкцию за раз. Другие формальные описания вычислений являются менее строгими, допуская множество процессоров, работающих параллельно. Классические компьютационалисты допускают наличие параллельных вычислений (Fodor and Pylyshyn 1988; Gallistel and King 2009: 174). Об общих математических положениях для последовательных и параллельных вычислений см. Gandy (1980) и Sieg (2009).
5. Вычисления по Тьюрингу являются детерминированными: текущее состояние вычислительной системы предрешает ее последующее состояние. Вместо этого можно допустить стохастические вычисления. В стохастической модели текущее состояние системы не будет диктовать единственно возможное для нее последующее состояние. Вместо этого имеет место определенная вероятность, что машина перейдет из одного состояния в другое.

КВТС утверждает, что работа сознания является вычислением, подобным машине Тьюринга, допуская вышеуказанные и другие отклонения от формулировок, предложенных самим Тьюрингом.

Машинный функционализм

Впервые о КВТС в рамках философии заговорил Хилари Патнэм (Putnam 1967). Он противопоставлял свою позицию логическому бихевиоризму и теории тождества типов. Каждая из этих позиций претендует на объяснение состояний сознания, включая пропозициональные установки (напр., убеждения), ощущения (напр., боль) и эмоции (напр., страх). Согласно логическому бихевиоризму, ментальные состояния являются поведенческими диспозициями. Согласно теории тождества типов, ментальные состояния суть состояния мозга. Патнэм утверждает противоположный им функционалистский взгляд, согласно которому ментальные состояния являются функциональными состояниями.

Каждое состояние сознания индивидуируется за счет взаимодействий с сенсорными вводными данными, моторными выводными данными и другими состояниями сознания.

Функционализм обладает существенными преимуществами по сравнению с логическим бихевиоризмом и теорией тождества типов.

1. Бихевиористы стремятся сопоставить каждому состоянию сознания определенный характер поведения, что является безнадежной задачей, так как индивидуальные ментальные состояния, как правило, не имеют характерных поведенческих проявлений. Поведение практически всегда есть результат совместной работы отдельных состояний сознания (напр., желания и убеждения). Функционализм избегает этой сложности, выделяя индивидуальные ментальные состояния и отличая их не только от сенсорных вводных данных и поведения, но и от других состояний сознания.
2. Исследователи, придерживающиеся теории тождества типов, стремятся поставить в соответствие каждому состоянию сознания характерное физическое или нейрофизиологическое состояние. Патнэм подвергает этот подход сомнению, утверждая, что ментальные состояния являются множественно реализуемыми: одно и то же состояние сознания может быть реализовано различными физическими системами, включая не только земных живых существ, но и гипотетических существ (напр., кремниевой формы жизни с Марса). Функционализм по самой своей сути подразумевает множественную реализуемость. В рамках этого подхода для состояний сознания имеют значения паттерны организации, которые физически могут быть реализованы множеством разных способов. Подробнее об этом аргументе см. в статье о множественной реализуемости.

Патнэм является сторонником разновидности функционализма, ныне называемой машинным функционализмом.

Он предполагает существование вероятностных автоматов, сходных с машинами Тьюринга за тем лишь исключением, что переходы между вычислительными состояниями являются стохастическими. Он утверждает, что активность сознания является работой вероятностного автомата и что конкретные ментальные состояния являются машинными состояниями центрального процессора автомата. Машинная таблица определяет подходящую функциональную организацию, а также определяет роль, которую индивидуальные ментальные состояния играют в рамках этой функциональной организации. Таким образом, Патнэм сочетает функционализм и КВТС.

Машинный функционализм, однако, сталкивается с несколькими проблемами. Одна из проблем, подчеркиваемая Недом Блоком и Джерри Фодором (Block and Fodor 1972), касается продуктивности мысли. Обычный человек может потенциально воспроизвести бесконечное число пропозиций. Машинный функционализм идентифицирует ментальные состояния с машинными состояниями вероятностного автомата.

Поскольку машинных состояний может быть лишь конечное количество, невозможно однозначно сопоставить их с возможными состояниями сознания обычного человека.

 Разумеется, конкретный человек сможет воспроизвести лишь ограниченное количество пропозиций. Тем не менее, как утверждают Блок и Фодор, эти ограничения касаются лишь продолжительности жизни и объема памяти, а не, например, постулируют какой-либо закон психики, который ограничивает класс пропозиций, воспроизводимых людьми. Вероятностный автомат, даже располагая бесконечными временем и памятью, все равно сможет оказаться лишь в ограниченном количестве машинных состояний. Таким образом, машинный функционализм ошибочно ставит конечные границы когнитивной деятельности человека.

Еще одной проблемой машинного функционализма, также подчеркнутой Блоком и Фодором (Block and Fodor 1972), является систематичность мышления. Способность сформулировать пропозицию коррелирует со способностью помыслить другие пропозиции. Например, тот, кто высказывает мысль, что Джон любит Мэри, также может высказать мысль, что Мэри любит Джона. Таким образом, ментальные состояния оказываются связанными системными отношениями. Качественная теория должна отражать эти системные отношения, однако машинный функционализм отождествляет ментальные состояния с неструктурированными машинными состояниями, не обладающими системными отношениями между собой. По этой причине машинный функционализм не в состоянии объяснить систематичность. В ответ на это возражение машинные функционалисты могут отрицать свою обязанность объяснить явление систематичности. Как бы то ни было, приведенное возражение указывает на то, что машинный функционализм игнорирует некоторые ключевые черты человеческого сознания. Очевидна потребность в лучшей теории, которая могла бы в принципе объяснить эти черты.

Хотя возражения, связанные с продуктивностью и систематичностью мысли, возможно, не являются решающими, они создают сильную мотивацию разработать улучшенную версию КВТС. О дополнительных проблемах, стоящих перед машинным функционализмом и функционализмом в целом, см. Block (1978).

Репрезентативистская теория сознания

Фодор (Fodor 1975, 1981, 1987, 1990, 1994, 2008) отстаивает версию КВТС, куда лучше совместимую с такими чертами сознания, как систематичность и продуктивность. Он обращает внимание на символы, используемые при вычислении, подобном вычислению машины Тьюринга.

Эта позиция, заключающаяся в том, что мышление происходит на некоем языке мышления (также называемом «ментализом», Mentalese), имеет длительную историю, восходящую как минимум к Summa Logicae Оккама. Фодор придает этим воззрениям новый импульс. Он постулирует систему ментальных репрезентаций, включающих как примитивные репрезентации, так и сложные, состоящие из примитивных. Например, примитивные слова ментализа «ДЖОН», «МЭРИ» и «ЛЮБИТ» могут в сочетании дать предложение на этом языке: «ДЖОН ЛЮБИТ МЭРИ».

Фодор называет этот подход репрезентативистской теорией сознания (РТС). Сочетая положения как КВТС, так и РТС, Фодор утверждает, что деятельность сознания предполагает вычисление, подобное вычислению машины Тьюринга, над языком мышления. Ментальные вычисления хранят символы ментализа в ячейках памяти, манипулируя ими в соответствии с механическими правилами.

Главное достоинство РТС состоит в том, как хорошо оно соотносится с продуктивностью и систематичностью сознания.

Продуктивность: РТС постулирует конечное множество примитивных выражений на ментализе, комбинируемых в потенциально бесконечное количество сложных выражений на ментализе. Мыслитель, имеющий доступ к примитивному словарю ментализа и механизмам составления сложных выражений, способен производить бесконечное множество выражений на ментализе. Следовательно, он также способен инстанцировать бесконечное множество пропозициональных установок (если пренебречь ограничениями по времени и объему памяти).

Систематичность: согласно РТС, между пропозициональными установками, которые мыслитель может воспроизвести, существуют системные связи. Предположим, например, что я способен помыслить, что Джон любит Мэри. Согласно РТС, это означает, что я нахожусь в некоем отношении R с высказанным на ментализе предложением «ДЖОН ЛЮБИТ МЭРИ», состоящим из правильно расположенных слов ментализа: «ДЖОН», «ЛЮБИТ», «МЭРИ». Если у меня есть такая способность, то я также способен находиться в отношении R к другому предложению на ментализе: «МЭРИ ЛЮБИТ ДЖОНА», — то есть помыслить, что Мэри любит Джона. Таким образом, способность помыслить, что Джон любит Мэри системно связана со способностью помыслить, что Мэри любит Джона.

Определяя пропозициональные установки как отношения к сложным ментальным символам, РТС объясняет как продуктивность, так и систематичность.

КВТС и РТС отличаются от машинного функционализма и в некоторых других отношениях. Во-первых, машинный функционализм является теорией ментальных состояний вообще, в то время как РТС является лишь теорией пропозициональных установок. Во-вторых, сторонникам КВТС+РТС не требуется утверждать, что пропозициональные установки функционально отличаются друг от друга. Как утверждает Фодор (Fodor 2000: 105fn4), нам следует различать компьютационализм (ментальные процессы являются вычислительными) от функционализма (ментальные состояния являются функциональными состояниями). Машинный функционализм поддерживает обе доктрины.

КВТС+РТС поддерживает только первую. К сожалению, многие философы по-прежнему считают, что компьютационализм влечет за собой функционалистский подход к пропозициональным установкам (более подробно см. Piccinini 2004).

 Многие ученые-когнитивисты применяют их к нечеловекоподобным животным. В частности, Галлистель и Кинг (Gallistel and King 2009) применяют их к описанию определенных феноменов у беспозвоночных (напр., к навигационному языку пчел). Даже ограничиваясь исключительно человеческой психикой, возможно применять КВТС+РТС к субличностной обработке информации. Фодор (Fodor 1983) утверждает, что восприятие включает в себя работу субличностного «модуля», преобразующего входящую информацию с сетчатки в символы ментализа и затем производящего над ними вычисления. Таким образом, разговор о языке мышления может привести к ошибочному представлению о его ограниченности исключительно высокоуровневыми формами ментальной деятельности.

Также неверным было бы воспринимать описание ментализа как языка (в ряду прочих), что означало бы, что все символы ментализа напоминают выражения естественных языков. Многие философы, включая самого Фодора, иногда, по всей видимости, разделяют эту позицию.

 Однако существуют и непропозициональные форматы для символов ментализа.

 Сторонники КВТС+РТС могут занимать плюралистическую позицию, предполагающую возможность ментальных вычислений, оперирующих с такими объектами, как изображения, карты, диаграммы, и другими непропозициональными репрезентациями (Johnson-Laird 2004: 187; McDermott 2001: 69; Pinker 2005: 7; Sloman 1978: 144–176).

Эта плюралистическая позиция кажется особенно правдоподобной в отношении субличностных процессов (напр., восприятия) и нечеловекообразных животных. Майкл Рескорла (Rescorla 2009 a,b) анализирует исследования когнитивных карт (Tolman 1948; O’Keefe and Nadel 1978; Gallistel 1990), приходя к предположению, что некоторые животные ориентируются в пространстве, производя вычисления над ментальными репрезентациями, более близкими к картам, чем к предложениям. Элизабет Кэмп (Camp 2009), приводя данные исследований социальных взаимоотношений бабуинов (Cheney and Seyfarth 2007), утверждает, что бабуины способны кодировать отношения иерархии с помощью несентенциальных древовидных репрезентаций.

КВТС+РТС носит схематический характер. Чтобы заполнить схему, необходимо предоставить детализированные вычислительные модели конкретных ментальных процессов. Полная модель должна:

1. описывать символы ментализа, над которыми производятся манипуляции;
2. выделять элементарные операции манипуляции символами (напр., запись символа в ячейку памяти),
3. а также обозначать механические правила, определяющие реализацию элементарных операций.

Создав детализированную вычислительную модель, мы можем разложить сложный ментальный процесс на последовательность элементарных операций, осуществляемых по четким рутинным правилам.

КВТС+РТС является нейтральной по отношению к традиционному спору между физикализмом и субстанциальным дуализмом. Подобная машине Тьюринга модель оперирует на высоком уровне абстракции, не уточняя, производятся ли ментальные вычисления физической материей или картезианской «духовной» субстанцией (Block 1983: 522).

В конечном счете физикалисты, стоящие на позициях КВТС+РТС, должны выдвигать эмпирически обоснованные теории, объясняющие, как именно активность нейронов выполняет подобные машине Тьюринга вычисления. Как подчеркивают Галлистель и Кинг (Gallistel and King 2009), на данный момент таких теорий еще не существует, хотя некоторые соображения об этом высказывались в Zylberberg, Dehaene, Roelfsema and Sigman (2011).

Фодор (Fodor 1975) считает КВТС+РТС подходящим фундаментом для когнитивных наук в целом. Он рассматривает такие ментальные явления, как принятие решений, восприятие и обработку лингвистической информации. В каждом случае, по его мнению, наиболее успешные научные теории постулируют процесс вычислений, подобных вычислениям машины Тьюринга, над ментальными репрезентациями.

Фактически он утверждает, что все жизнеспособные теории на данный момент укладываются в эту форму, и приходит к выводу, что КВТС+РТС является единственной заслуживающей внимания теорией. Многие когнитивисты разделяют эту точку зрения. В работах Gallistel and King (2009), Johnson-Laird (1988), Newell and Simon (1976) и Pylyshyn (1984) поддерживается точка зрения, согласно которой вычисления, подобные вычислениям машины Тьюринга, оперирующим с ментальными символами, являются наилучшим основанием для построения научных гипотез о работе сознания.

Нейронные сети

Коннекционизм возник в 1980-х годах как значимая альтернатива классическому компьютационализму. Коннекционисты опираются в большей степени на данные нейрофизиологии, чем на логику и компьютерные науки. Они используют нейронные сети — вычислительные модели, существенно отличающиеся от моделей, подобных машине Тьюринга.

Активации входных узлов определяются внешними факторами: они являются входными данными для вычислений. Общий сигнал на входе скрытого или выходного узла является взвешенной суммой сигналов узлов, от которых он получает сигналы. Активация скрытого или выходного узла зависит от его общего сигнала на входе; конкретная функция зависит от архитектуры сети. Во время вычислений, производимых нейронной сетью, волны активации распространяются от входных узлов к выходным в соответствии со взвешенными связями между узлами.

В сетях прямого распространения взвешенные связи передают сигнал только в одном направлении. Рекуррентные нейронные сети содержат петли обратной связи, в которых соединения, идущие от скрытых узлов, ведут в обратном направлении к другим скрытым узлам. Рекуррентные сети являются в меньшей степени математически разрешимыми, чем сети прямого распространения. Однако именно они занимают принципиальное место в психологическом моделировании различных явлений, в частности явлений, характеризующихся наличием какого-либо вида памяти (Elman 1990).

Веса в нейронной сети, как правило, являются изменяемыми и меняются в соответствии с алгоритмом обучения. В литературе описано множество различных алгоритмов, но общая идея состоит в том, чтобы настроить веса таким образом, чтобы текущие выходные данные постепенно приблизились к значениям целевых выходных данных, ожидаемых от известных входных данных. Алгоритм обратного распространения является наиболее широко применяемым алгоритмом такого рода (Rumelhart, Hinton and Williams 1986).

Начала коннекционизма восходят к У. Маккаллоку и У. Питтсу (McCulloch and Pitts 1943), изучавшим сети взаимосвязанных логических вентилей (напр., И- и ИЛИ-). Сеть логических вентилей можно рассматривать как нейронную сеть, где входные сигналы имеют лишь два возможных значения (0 или 1), а функции активации задаются обычными функциями истинности. Маккаллок и Питтс рассматривали логические вентили как идеальные модели отдельных нейронов. Их дискуссия оказала глубокое влияние на развитие компьютерных наук (von Neumann 1945).

Некоторые авторы даже используют словосочетание «нейронные сети» для обозначения исключительно сетей такого типа.

Нейронным сетям уделялось недостаточное внимание со стороны ученых-когнитивистов в 1960-е и 1970-е годы, в течение которых доминировали модели, подобные машине Тьюринга. В 1980-х был отмечен всплеск интереса к нейронным сетям, особенно аналоговым, итогом чего послужил двухтомник «Параллельные распределенные вычисления» (Parallel Distributed Processing, Rumelhart, McClelland и PDP research group, 1986–87). Исследователи смогли построить коннекционистские модели различных явлений: распознавания объектов, восприятия речи, понимания предложений, когнитивного развития и т.п. Под впечатлением от успешности коннекционизма многие исследователи пришли к выводу, что КВТС+РТС больше не является «единственной заслуживающей внимания» теорией.

Более подробно о нейронных сетях см. Haykin (2008). Введение в нейронные сети для неспециалистов, концентрирующееся на их применении в психологии, см. в Marcus (2003).

Отношения между нейронными сетями и классическими вычислениями

Нейронные сети «выглядят» совсем иначе, нежели классические (подобные машине Тьюринга) модели. В то же время классические вычисления и вычисления с помощью нейронных сетей не являются взаимоисключающими.

1. Нейронные сети могут быть реализованы в рамках классической модели. Фактически все нейронные сети, когда-либо построенные физически, были реализованы с помощью цифрового компьютера.
2. Классические модели могут быть реализованы с помощью нейронных сетей. Современные цифровые компьютеры используют вычисления, подобные машине Тьюринга, производящиеся сетями логических вентилей. Также вычисления, подобные машине Тьюринга, могут быть выполнены с помощью аналоговой рекуррентной нейронной сети, чьи узлы имеют непрерывное изменение значений активации (Siegelmann and Sontag 1995).

Несмотря на то, что некоторые исследователи считают, что между классическими вычислениями и вычислениями с помощью нейронных сетей существует фундаментальное противоречие, вернее было бы считать их двумя направлениями в моделировании, частично совпадающими в отдельных случаях (см. Boden 1991; Piccinini 2008b). В этом отношении также стоит отметить, что и классический компьютационализм, и коннекционистский компьютационализм — оба восходят к работам Маккалоу и Питтса.

Философы часто говорят, что классические вычисления предусматривают «основанную на правилах манипуляцию символами», в то время как вычисления с помощью нейронных сетей являются несимволическими. Интуитивно можно счесть, что «информация» в нейронных сетях является распределенной между весами и активациями, а не сосредоточенной в локализуемых символах. Тем не менее само понятие «символа» требует объяснения, так как зачастую неясно, что теоретики имеют в виду под «символическими» вычислениями (в противоположность «не-символическим»). Как уже говорилось в первом разделе, формальная модель Тьюринга не накладывает особых условий на то, что считать «символом».

Многие другие обсуждения, касающиеся дихотомии

«символическое/несимволическое», используют более конкретное определение «символа». Согласно этому более конкретному определению, символом называется нечто, обозначающее предмет, о котором идет речь. Таким образом, что-либо является символом лишь в том случае, если оно обладает семантическими или репрезентационными свойствами. Используя это более конкретное определение символа, мы приходим к тому, что проблема различия между «символическим» и «несимволическим» свойственна и вычислениям, подобным машине Тьюринга, и вычислениям с помощью нейронных сетей. Машина Тьюринга может и не использовать символы в их более конкретном определении. В рамках формальной модели Тьюринга символы, над которыми производится манипуляция при вычислении, могут и не иметь репрезентационных свойств (Chalmers 2011). Сходным образом нейронная сеть может манипулировать символами, имеющими репрезентационные свойства. По сути, аналоговая нейронная сеть может манипулировать символами, имеющими комбинаторные синтаксис и семантику (Horgan and Tienson 1996; Marcus 2003).

Вслед за Стивеном Пинкером и Аланом Принсом (Pinker and Prince 1988) мы можем различать элиминативный коннекционизм и имплементационный коннекционизм.

Элиминативные коннекционисты отстаивают коннекционизм в качестве альтернативы классическому компьютационализму. Они утверждают, что формальная модель Тьюринга несовместима с психологической трактовкой. Часто, хотя и не всегда, они стремятся возродить традицию ассоцианизма в психологии — традицию, против которой восстает КВТС. Часто, хотя и не всегда, они обращаются против менталистской нативистской лингвистики, пионером которой является Ноам Хомский (1972). Также часто, хотя и не всегда, они открыто противостоят самому понятию ментальной репрезентации. Однако главной отличительной чертой элиминативного коннекционизма является то, что он подразумевает, что нейронные сети являются заменой моделей, подобных машине Тьюринга. Элиминативные коннекционисты считают, что сознание является вычислительной системой, радикально отличающейся от машины Тьюринга. Некоторые авторы открыто поддерживают элиминативный коннекционизм (Churchland 1989; Rumelhart and McClelland 1986; Horgan and Tienson 1996), многие другие — склоняются к нему.

Имплементационный коннекционизм отличается более широкой позицией. Он отводит потенциально ценную роль и моделям, подобным машине Тьюринга, и нейронным сетям, которые гармонично работают вместе на разных уровнях описания (Marcus 2003; Smolensky 1988). Модель, подобная машине Тьюринга, работает на более высоких уровнях, а модель нейронных сетей отвечает за низкоуровневые вычисления. Нейронные сети проливают свет на устройство конкретных механизмов, отвечающих за то, как мозг выполняет вычисления, подобные машине Тьюринга, подобно тому, как описание работы логических вентилей объясняет, как персональный компьютер выполняет программы, написанные на языках программирования высокого уровня.

Аргументы в пользу коннекционизма

Коннекционизм притягивает многих исследователей в силу аналогии между нейронными сетями и мозгом. Узлы подобны нейронам, а связи между ними — синапсам. Коннекционистская модель в силу этого является более «биологически правдоподобной», чем классическая. Коннекционистская модель психологического явления, по всей видимости, отражает (в несколько идеализированном виде), как взаимосвязанные нейроны могут производить явление.

Эти обращения к биологии, однако, являются проблематичными, так как большая часть коннекционистских сетей на самом деле не являются «биологически правдоподобными» (Bechtel and Abrahamsen 2002: 341–343; Bermúdez 2010: 237–239; Clark 2014: 87–89; Harnish 2002: 359–362).

Особенно проблематичным с точки зрения биологии является алгоритм обратного распространения. Этот алгоритм требует, чтобы веса между узлами работали как на возбуждение, так и на подавление сигнала, однако реально имеющиеся синапсы не могут иметь такое разнообразие поведения (Crick and Asanuma 1986). Более того, алгоритм предполагает, что целевые значения вывода предоставляются разработчиками модели, которые знают желаемый ответ. В этом смысле обучение является контролируемым. В реально существующих биологических системах, однако, обучение крайне редко имеет контролируемую форму.

Между тем даже если коннекционистские модели не являются в полной мере правдоподобными с точки зрения биологии, они все равно являются более правдоподобными, чем классические модели. Они куда ближе к известным нейрофизиологическим описаниям, чем модели, подобные машине Тьюринга, и в «общем духе», и в конкретном описании. Многие ученые-когнитивисты обеспокоены, что КВТС является отражением ошибочного стремления навязать головному мозгу архитектуру цифровых компьютеров. Многие сомневаются, что мозг вообще занимается чем бы то ни было похожим на цифровые вычисления, то есть вычисления над дискретными конфигурациями цифр (Piccinini and Bahar 2013). Другие сомневаются, что в мозге имеется четкое, как в подобных машине Тьюринга моделях, разделение на центральный процессор и память, доступную для чтения и записи (Dayan 2009). Коннекционистские модели оказываются более адекватными в обоих этих отношениях: они не требуют вычислений над дискретными конфигурациями цифр, и они не утверждают четкого разделения на центральный процессор и доступную для чтения/записи память.

Классические компьютационалисты на это отвечают, что пока еще преждевременно делать точные выводы, основанные на критерии биологического правдоподобия, учитывая то, как мало мы понимаем про отношения между нейронным, вычислительным и когнитивным уровнями описания работы сознания (Gallistel and King 2009; Marcus 2003).

Коннекционисты приводят множество аргументов в пользу использования коннекционистских моделей взамен или в дополнение к классическим моделям. Общий обзор см. в статье о коннекционизме. В рамках этой статьи приведем два дополнительных аргумента.

Первый аргумент касается обучения (Bechtel and Abrahamsen 2002: 51). Широкий спектр когнитивных феноменов подразумевает процесс обучения, основанный на опыте. Многие коннекционистские модели специально спроектированы таким образом, чтобы моделировать обучение через механизм обратного распространения или какой-либо другой алгоритм, изменяющий веса между узлами. С другой стороны, коннекционисты часто обращают внимание на недостаток рабочих классических моделей обучения. Классические компьютационалисты могут ответить на эти высказывания, приводя примеры наблюдаемых дефектов обучения у коннекционистских алгоритмов (напр., на сильную зависимость моделей с обратным распространением от контролируемого обучения). Классические компьютационалисты также апеллируют к огромным успехам байесовской теории принятия решений, которая моделирует обучение как настройку вероятностной системы. Общеизвестно, что в общем случае байесовский вывод является трудновычислимой задачей. Тем не менее прогресс, достигнутый в области ИИ, показывает, как классические вычислительные системы могут аппроксимировать идеализированный байесовский вывод в различных реалистических сценариях. Эти достижения дают надежду, что классические вычисления могут моделировать многие важные сценарии обучения.

Второй аргумент опирается на скорость вычислений. Нейроны работают гораздо медленнее кремниевых компонентов цифровых компьютеров. По этой причине нейроны не могут выполнять серийные вычисления со скоростью, достаточной для той скорости и производительности, которой отличается человек в плане восприятия, лингвистического понимания, принятия решений и т.д. Коннекционисты считают, что единственная жизнеспособная альтернатива последовательным вычислениям — это «массивно-параллельная» вычислительная архитектура, именно такая, какая и заложена в нейронных сетях (Feldman and Ballard 1982; Rumelhart 1989). Однако этот аргумент действительно работает только против классических компьютационалистов, настаивающих на последовательных вычислениях. Как отмечено в третьем разделе, многие модели, подобные машине Тьюринга, допускают параллельные вычисления. Многие классические компьютационалисты только рады возможности допустить «массивно-параллельные» вычисления как части работы сознания, так что этот аргумент ими не поддерживается. В то же время этот аргумент акцентирует внимание на важном вопросе, на который любые компьютационалисты, придерживающиеся как классических, так и коннекционистических взглядов, должны попытаться ответить: как именно мозг, состоящий из относительно медленных нейронов, в состоянии так быстро производить очень сложные вычисления? Ни классические, ни коннекционистские компьютационалисты пока не смогли дать удовлетворительный ответ на этот вопрос (Gallistel and King 2009: 174, 265).

Систематичность и продуктивность

Фодор и Пылышин (Fodor and Pylyshyn 1988) выдвинули широко обсуждаемый аргумент против элиминативного коннекционизма. Они утверждают, что коннекционистские модели не могут решить проблемы систематичности и продуктивности, если только на них не будет реализовываться классическая модель.

Аргумент породил множество возражений и ответов на возражения. Некоторые авторы считают, что нейронные сети в состоянии проявить систематичность, при этом не используя ничего, что было бы похоже на классическую вычислительную архитектуру (Horgan and Tienson 1996; Chalmers 1990; Smolensky 1991; van Gelder 1990). Другие же считают, что Фодор и Пылышин чрезмерно преувеличивают важность явления систематичности (Johnson 2004) или продуктивности (Rumelhart and McClelland 1986), особенно в отношении животных (Dennett 1991). Эти вопросы, наравне со многими другими, поднятыми Фодором и Пылышиным, внимательно исследовались в последние десятилетия. Подробнее об этом см. Bechtel and Abrahamsen (2002: 156–199), Bermúdez (2005: 244–278), Chalmers (1993), Clark (2014: 84–86), а также статьи в настоящей энциклопедии, посвященные гипотезе о языке мышления и коннекционизму.

Галлистель и Кинг (Gallistel and King 2009) отстаивают связанный с этими обсуждениями, но стоящий особняком аргумент относительно производительности. Они подчеркивают важность производительности ментальных вычислений в противоположность производительности ментальных состояний. Опираясь на детализированные эмпирические исследования, они утверждают, что многие нечеловекообразные животные могут извлекать, хранить и восстанавливать в памяти детальные данные относительно окружающей среды. В частности, калифорнийская кустарниковая сойка запоминает, где находятся сделанные ей запасы еды, какого рода припасы хранятся в конкретных хранилищах, когда припасы были сделаны и насколько они исчерпаны в конкретном хранилище (Clayton, Emery and Dickinson 2006). Сойки могут обращаться к этим данным и использовать их для проведения разных вычислений: для расчетов, мог ли испортиться конкретный запас пищи в конкретном хранилище, построения маршрутов между хранилищами и т.д. Таким образом, количество вычислений, которые при этом может производить сойка, практически бесконечно.

КВТС объясняет феномен производительности ментальных вычислений, постулируя наличие центрального процессора, хранящего символы и обращающегося к ним в адресуемой памяти.

Хотя они и не проводят точного различения между элиминативистским и имплементационалистким коннекционизмом, их аргумент можно сформулировать следующим образом.

1. Элиминативистский коннекционизм не может объяснить, как организмы могут комбинировать хранящиеся у них в памяти фрагменты информации (напр., расположение хранилищ) для вычислений (напр., вычисления маршрута от одного хранилища к другому). Потенциально существует бесконечное количество полезных комбинаций, причем предсказать заранее, какие фрагменты информации могут сочетаться в будущих вычислениях, невозможно. Единственное вычислимое решение заключается в хранении символов в доступных для чтения и записи ячейках памяти, а такой вариант сторонники элиминативистского коннекционизма отвергают.
2. Сторонники имплементационалисткого коннекционизма могут постулировать хранение символов в доступной для чтения и записи памяти так, как это имплементируется в нейронной сети. Тем не менее механизмы, которые предлагаются коннекционистами для имплементации памяти, не являются правдоподобными. Существующие предположения в основном являются вариациями единственной идеи: существования рекуррентной нейронной сети, в которой активность нейронов воспроизводит себя в нейронной петле (Elman 1990). Такая модель реверберации в нейронной петле как основы долговременной памяти является нежизнеспособной по многим причинам. Например, шум в нервной системе гарантирует исчезновение сигнала в течение нескольких минут. Сторонники имплементационалисткого коннекционизма до сих пор не смогли предложить правдоподобной модели памяти, доступной для чтения и записи.

Галлистель и Кинг приходят к выводу, что КВТС гораздо лучше подходит для объяснения широкого спектра когнитивных явлений, чем элиминативистский или имплементационалисткий коннекционизм.

Этот новый аргумент относительно продуктивности подвергается критике с разных сторон, в основном основанной на эмпирических исследованиях, приводимых Галлистелем и Кингом. В работах Dayan (2009), Donahoe (2010) и Mole (2014) утверждается, что биологически правдоподобные нейронные сети могут послужить моделями хотя бы для части этих эмпирических исследований. Даян и Донахью заявляют, что модели нейронных сетей, адекватные эмпирическим данным, могут обходиться и без какого-либо подобия памяти, доступной для чтения и записи. Моул считает, что в некоторых условиях подходящие модели нейронных сетей могут имплементировать механизмы чтения и записи памяти, приведенные Галлистелем и Кингом. Очевидно, дискуссии, посвященные этим фундаментальным проблемам, будут продолжаться еще долго.

Вычислительные нейронауки

Вычислительные нейронауки описывают нервную систему с помощью вычислительных моделей. Несмотря на то, что это направление исследований основано на математическом моделировании индивидуальных нейронов, вычислительные нейронауки фокусируются на исследовании систем взаимосвязанных нейронов.

 Между коннекционизмом и вычислительными нейронауками можно провести несколько различий.

1. Нейронные сети, используемые исследователями в этой области, являются более реалистичными с биологической точки зрения, чем те, что используются коннекционистами. Литература, посвященная вычислительным нейронаукам, содержит огромное количество обсуждений, касающихся параметров возбуждения нейронов, потенциалов действия, кривых настройки нейронов и т.п. Эти термины играют в лучшем случае ограниченную роль в исследованиях в русле коннекционизма, как показано в обзоре (Rogers and McClelland 2014).
2. Вычислительные нейронауки в значительной мере основаны на современных представлениях о работе мозга, и в них большое значение придается нейрофизиологическим данным (в частности, данным о клеточной активности). Коннекционисты придают этим данным куда меньше значения. Их исследования основаны главным образом на поведенческих данных (хотя недавние работы в русле коннекционизма чаще обращаются к нейрофизиологическим данным).
3. Исследователи в области вычислительных нейронаук обычно рассматривают отдельные узлы нейронных сетей в качестве идеальных моделей настоящих нейронов. Коннекционисты, в свою очередь, рассматривают эти узлы как нейроноподобные вычислительные единицы (Rogers and McClelland 2014), не рассматривая, насколько эти единицы соотносятся с реальными объектами, изучаемыми нейрофизиологами.

Можно сказать, что вычислительные нейронауки занимаются в основном нейронными вычислениями (вычислениями, производимыми системами нейронов), в то время как коннекционисты — главным образом абстрактными вычислительными моделями, вдохновленными нейронными вычислениями. В то же время очевидно, что граница между коннекционизмом и вычислительными нейронауками является проницаемой. Подробный обзор вычислительных нейронаук был выполнен в Trappenberg (2010).

Серьезное философское осмысление нейронаук можно обнаружить уже в «Нейрофилософии» Патрисии Чёрчленд (Churchland 1986). По мере развития нейронаук Чёрчленд стала одним из главных их сторонников в философии (Churchland, Koch and Sejnowski 1990; Churchland and Sejnowski 1992). В этом начинании ее поддержали Пол Чёрчленд (Churchland 1995, 2007) и другие (Eliasmith 2013; Eliasmith and Anderson 2003; Piccinini and Bahar 2013; Piccinini and Shagrir 2014). Все эти авторы сходятся во мнении, что построение теорий о ментальных вычислениях должно строиться на знаниях о работе мозга, а не на машинах Тьюринга или других неподходящих инструментах, заимствованных из логики или компьютерных наук. Они также утверждают, что моделирование нейронных систем должно стремиться к большему уровню биологического реализма, чем тот, что обычно достигается в коннекционистских моделях. В Eliasmith (2013) эта нейровычислительная точка зрения развивается в рамках так называемой парадигмы нейронного инжиниринга (Neural Engineering Framework), которая дополняет вычислительные нейронауки инструментами, позаимствованными из теории управления (Brogan 1990). Его целью является «обратная разработка» мозга, построение масштабных и биологически правдоподобных нейросетевых моделей когнитивных явлений.

Таким образом, вычислительные нейронауки жертвуют главной особенностью вычислительной теории сознания, которая изначально была столь привлекательной для философов. Исследователи в этой области могут обосновать этот отказ тем, что он окупается более глубоким пониманием основополагающих нейрофизиологических механизмов. Многие компьютационалисты, в свою очередь, боятся, что излишняя сфокусированность на механизмах работы нейронных систем приведет к тому, что за нейронными «деревьями» мы не сможем увидеть когнитивного «леса». Нейрофизиологические детали важны, но разве не является столь же необходимым и дополнительный абстрактный уровень вычислительного описания, отвлеченный от этих деталей? Галлистель и Кинг (Gallistel and King 2009) утверждают, что «близорукая» сосредоточенность на том, что мы сейчас знаем о мозге, привела компьютерные нейронауки к отказу от попыток осмысления ключевых когнитивных явлений, таких как ориентация в пространстве, пространственное и временное обучение и т.п. Сходным образом в Edelman (2014) с сожалением отмечается, что парадигма нейронного инжиниринга вместо удовлетворительных психологических объяснений ошеломляет читателей шквалом нейрофизиологических деталей.

Несмотря на различия между коннекционизмом и вычислительными нейронауками, эти два движения поднимают схожие вопросы. В частности, диалектика систематичности и продуктивности из раздела 4.4 описывается ими в схожем виде.

Вычисление и репрезентация

Философы и ученые-когнитивисты по-разному понимают термин «репрезентация». В рамках философии репрезентация наиболее часто связывается с интенциональностью. Последняя трактует всякое состояние сознания как «сознание о…». Современные философы обычно объясняют понятие интенциональности через понятие репрезентационного содержания.

1. Убеждения могут быть истинными или ложными. Мое убеждение, что Барак Обама является президентом, истинно, если Обама является президентом, и ложно, если он им не является.
2. Перцептивные ментальные состояния могут быть точными или неточными. Мой перцептивный опыт красного шара является точным лишь в том случае, если передо мной находится красный шар.
3. Желания могут быть исполненными или неисполненными. Мое желание съесть шоколад исполнено, если я ем шоколад, и не исполнено, если я не ем шоколад.

Убеждения характеризуются условиями истинности (условиями, при которых они истинны), перцептивные состояния характеризуются условиями точности (условиями, при которых они точны), а желания характеризуются условиями исполнения (условиями, при которых они исполняются).

В обычной жизни мы часто предсказываем или объясняем поведение, обращаясь к убеждениям, желаниям и другим ментальным состояниям, имеющим репрезентационное содержание. Мы идентифицируем эти состояния через их репрезентационные свойства. Утверждая, что «Фрэнк считает, что Барак Обама является президентом», мы обозначаем условие, при выполнении которого убеждение Фрэнка верно (в частности, что Барак Обама действительно является президентом). Говоря, что «Фрэнк хочет есть шоколад», мы обозначаем условие, при котором желание Фрэнка исполняется (в частности, если Фрэнк ест шоколад). Обыденная психология отводит центральную роль интенциональным описаниям, то есть описаниям, которые идентифицируют ментальные состояния через их репрезентационные свойства. Должны ли интенциональные описания также использоваться научной психологией — вопрос, часто обсуждаемый в рамках современной философии сознания.

Интенциональный реализм — это реализм в отношении репрезентаций. Как минимум эта позиция означает, что репрезентационные свойства являются действительными свойствами сознания. Обычно считается, что научная психология может свободно использовать интенциональные описания в тех случаях, когда это уместно. Интенциональный реализм является популярной точкой зрения, отстаиваемой Тайлером Берджем (Burge 2010a), Джерри Фодором (Fodor 1987), Кристофером Пикоком (Peacocke 1992, 1994) и многими другими авторами. Один из главных аргументов в пользу интенционального реализма опирается на практику когнитивных наук. Этот аргумент заключается в том, что интенциональные описания являются центральным содержанием во многих областях когнитивных наук, в частности в психологии восприятия и лингвистике. В частности, психология восприятия описывает, как перцептивная активность преобразует сенсорные вводные данные (напр., стимуляцию сетчатки) в репрезентации дистальной окружающей среды (напр., перцептивные репрезентации дистальных форм, размеров и цветов). Наука идентифицирует перцептивные состояния через репрезентационные свойства (напр., репрезентационные отношения к конкретным дистальным формам, размерам и цветам). Исходя из широкой перспективы научного реализма, достижения психологии восприятия в плане объяснения различных явлений являются аргументом в пользу реалистичного отношения к интенциональности.

Элиминативизм является сильной формой антиреализма в отношении интенциональности. Элиминативисты отвергают интенциональные описания как расплывчатые, чувствительные к контексту, зависящие от интересов, дающие лишь поверхностные объяснения и проблематичные во многих других отношениях. Они считают, что научная психология должна полностью отказаться от рассмотрения репрезентационного содержания.

Один из ранних примеров такого подхода — книга «Слово и объект» У. В. О. Куайна (2000), в которой автор стремится заменить интенциональную психологию бихевиористской психологией стимула и реакции. Пол Чёрчленд (Churchland 1981), еще один выдающийся элиминативист, считает нужным заменить интенциональную психологию нейронаукой.

Кроме того, между интенциональным реализмом и элиминативизмом существует и множество промежуточных позиций. Дэниел Деннет (Dennett 1971, 1987) признает, что интенциональный способ рассмотрения оказывается прогностически полезным, но ставит под сомнение, что ментальные состояния действительно имеют репрезентационные свойства. Согласно Деннету, теоретики, использующие интенциональные описания, не утверждают буквально, что ментальные состояния обладают репрезентационными свойствами. Они, по его мнению, всего лишь принимают «интенциональную установку».

Дональд Дэвидсон (Davidson 1980) занимает смежную с предыдущей интерпретивистскую позицию. Он подчеркивает центральную роль приписывания интенций в нашей повседневной практике интерпретаций, то есть нашей практики толкования своих и чужих ментальных состояний и речевых актов. В то же время он сомневается в том, что интенциональная психология сможет найти себе место в рамках зрелой научной теории. И Дэвидсон, и Деннетт утверждают, что относятся к интенциональным состояниям сознания с позиций реализма.

 Тем не менее оба философа обычно считаются интенциональными антиреалистами. (В частности, Деннета часто описывают как инструменталиста в отношении интенциональности.) Одна из причин такого отношения к ним — неопределенность интерпретации. Предположим, что поведенческие данные допускают две противоречащих друг другу интерпретации состояний сознания мыслящего субъекта. Вслед за Куайном Дэвидсон и Деннетт оба утверждают, что здесь «не о чем говорить» в отношении того, какая из интерпретаций верна. Этот диагноз свидетельствует, что их отношение к интенциональности не является полноценно реалистическим.

Обсуждения интенциональности играют большую роль в рамках обсуждения вычислительной теории сознания. Здесь необходимо рассмотреть нескольких ключевых пунктов.

Вычисление как формальный процесс

Классические компьютационалисты обычно опираются на то, что можно назвать формально-синтаксической концепцией вычислений (ФСК). Эта интуитивно понятная идея состоит в том, что вычисление манипулирует символами в силу их формально-синтаксических, а не семантических характеристик.

ФСК восходит к достижениям математической логики в конце XIX — начале XX веков, в частности к важнейшим работам Джорджа Буля и Готлоба Фреге. В своем труде «Запись в понятиях» Фреге (2000) осуществил доскональную формализацию дедуктивного мышления. Для формализации необходимо задать формальный язык, в котором лингвистические выражения отличаются друг от друга несемантическим образом (напр., геометрическим начертанием).

В частности, возможно задать правила вывода в формальных синтаксических терминах. При грамотном подборе правил вывода они будут соотноситься с нашей предполагаемой интерпретацией: из правильных допущений будут следовать правильные заключения. Благодаря формализации Фреге придал логике небывалую до того времени четкость и строгость. Тем самым он заложил основу для многих последующих математических и философских теорий.

Формализация играет важную основополагающую роль в компьютерных науках. Мы можем создать компьютер, подобный машине Тьюринга, который будет манипулировать лингвистическими выражениями, взятыми из формального языка. Если правильно запрограммировать компьютер, его синтаксические операции будут соответствовать предполагаемой семантической интерпретации. Скажем, можно запрограммировать компьютер таким образом, чтобы он делал из истинных посылок только верные заключения или чтобы он изменял вероятности в соответствии с байесовской теорией принятия решений.

ФСК утверждает, что всякое вычисление сводится к манипуляции формальными синтаксическими единицами безотносительно их возможных семантических свойств. Конкретные формулировки ФСК могут отличаться. Вычисления могут быть «чувствительными» только к синтаксису, но не к семантике, или иметь «доступ» только к синтаксическим свойствам, или реализовываться «в силу» синтаксических, а не семантических свойств, или испытывать влияние семантических свойств только «посредством» синтаксических свойств. Что именно означают эти формулировки и насколько они эквивалентны, ясно не всегда. Однако интуитивное представление состоит в том, что синтаксические свойства обладают каузальным/объяснительным приоритетом по сравнению с семантическими свойствами в том, как производятся вычисления.

Статья Фодора «Методологический солипсизм как возможная исследовательская стратегия в когнитивной психологии» (Fodor 1980) содержит одно из ранних положений этой концепции. В статье Фодор сочетает ФСК с КВТС+РТС. Он приводит аналогию между ментализом и формальными языками, служившими предметом исследований логиков: он содержит простые и сложные элементы, отличающиеся друг от друга несемантически, точно так же как типичные формальные языки содержат простые и сложные выражения, отличимые друг от друга по форме. Символы ментализа имеют семантическую интерпретацию, но эта интерпретация не оказывает (по крайней мере прямого) воздействия на ментальные вычисления. Именно формальные, а не семантические свойства символа определяют, какие манипуляции будут над ним выполняться в ходе вычисления. В этом смысле сознание является «синтаксическим устройством». Практически все классические компьютационалисты вслед за Фодором придерживаются ФСК.

Коннекционисты часто отрицают, что нейронные сети манипулируют синтаксически структурированными сущностями. По этой причине многие коннекционисты колеблются в отношении признания ФСК. Тем не менее большая часть коннекционистов разделяют обобщенный постулат о формальности: вычисления нечувствительны к семантическим свойствам. Обобщенный постулат о формальности поднимает во многом те же философские вопросы, что и ФСК. Мы сконцентрируем рассмотрение на ФСК, которое стало предметом наиболее оживленных философских дискуссий.

Фодор сочетает КВТС+РТС+ФСК с интенциональным реализмом. Он утверждает, что КВТС+РТС+ФСК может оправдать обыденную психологию, помогая перевести интенциональный дискурс здравого смысла на язык строгой науки. Он мотивирует свою позицию известным абдуктивным аргументом в пользу КВТС+РТС+ФСК (Fodor 1987: 18–20). Поразительным образом деятельность сознания может удерживать семантические свойства в согласованности. Например, дедуктивные выводы приводят посылки к верным заключениям в том случае, если посылки сами верны. Как мы можем объяснить этот ключевой аспект деятельности сознания? Формализация показывает, что синтаксические манипуляции могут намечать семантические свойства, а компьютерные науки показывают, как можно создавать физические машины, реализующие заданные синтаксические манипуляции. Рассматривая сознание как машину, работающую с синтаксисом, мы можем объяснить, почему ментальная работа связным образом удерживает семантические свойства.

Стивен Стич (Stich 1983) и Хартри Филд (Field 2001) сочетают КВТС+ФСК с элиминативизмом. Они считают, что когнитивные науки должны моделировать сознание в терминах формального синтаксиса, вообще не рассматривая интенциональность. Они допускают, что ментальные состояния обладают репрезентационными свойствами, однако сомневаются, что научная психология получит дополнительную объяснительную способность, обращаясь к этим свойствам. Зачем вообще дополнять формальное синтаксическое описание каким-либо интенциональным описанием? Если сознание является синтаксической машиной, разве нельзя репрезентационное содержание просто опустить как не обладающее объяснительной ценностью?

В определенный период своей карьеры Патнэм (Putnam 1983: 139–154) сочетал КВТС+ФСК с интерпретивизмом в духе Дэвидсона. Когнитивная наука должна следовать пути, намеченному Стичем и Филдом, выделяя чисто формальные синтаксические вычислительные модели. Формальное синтаксическое моделирование сосуществует с обыденными практиками интерпретации, в рамках которых мы приписываем интенциональное содержание к состояниям сознания и речевым актам друг друга. Практика интерпретации руководствуется холистическими и эвристическими ограничениями, которые ставят в тупик при попытках перевести интенциональный дискурс на язык строгой науки. Для Патнэма, равно как и для Филда и Стича, все научно важное происходит на формально-синтаксическом уровне, а не на интенциональном.

ВТС+ФСК подвергается критике с разных сторон. Часть критики направлена на казуальную релевантность репрезентационного содержания (Block 1990; Figdor 2009; Kazez 1995). На интуитивном уровне можно предположить, что содержание ментальных состояний имеет причинное воздействие на активность сознания и поведение.

Например, мое желание выпить воды (а не апельсинового сока) направляет меня к крану с водой (а не к холодильнику). Содержание моего желания (я хочу пить воду), по всей видимости, играет важную казуальную роль в формировании моего поведения. По мнению Фодора (Fodor, 1990: 137–159), КВТС+РТС+ФСК совместимы с подобными интуитивными аргументами. Формальная синтаксическая активность реализует интенциональную ментальную активность, таким образом гарантируя, что интенциональные ментальные состояния причинным образом взаимодействуют в соответствии с их содержанием. Тем не менее не очевидно, что подобный анализ обеспечивает причинную релевантность содержания. ФСК утверждает, что вычисления «чувствительны» к синтаксису, но не к семантике.

В зависимости от того, как интерпретировать ключевое понятие «чувствительности», может оказаться, что репрезентационное содержание не имеет никакой причинной роли, а всю каузальную работу «проделывает» формальный синтаксис. Проиллюстрируем это опасение аналогией.

При движении автомобиля по дороге тень от автомобиля изменяется в соответствии с устойчивыми паттернами. Тем не менее положение тени в один момент времени не влияет на положение тени в последующий момент. Аналогичным образом КВТС+РТС+ФСК могут объяснить, каким образом деятельность сознания инстанцирует стабильные паттерны, описанные в интенциональных терминах, но этого недостаточно, чтобы с достаточной уверенностью утверждать, что содержание сознания имеет причинное воздействие. Если сознание является синтаксической машиной, то казуальное воздействие свойственно синтаксическому, а не семантическому уровню. Семантика оказывается здесь «просто за компанию». По всей видимости, в этом случае ВТС+ФСК подводит нас к выводу, что репрезентационные свойства не имеют каузальной силы. Этот вывод не будет беспокоить элиминативистов, но интенциональные реалисты обычно стараются избегать такого вывода.

Другая часть критики отвергает формально-синтаксическую картину как спекуляцию, не подкрепленную научной практикой. Тайлер Бёрдж (Burge, 2010a,b, 2013: 479–480) основывает свою критику на том, что формально-синтаксическое описание активности сознания не играет существенной роли в широких областях когнитивных наук, включая исследования теоретических рассуждений, практических рассуждений, а также восприятия. В каждом случае, как утверждает Бёрдж, наука следует интенциональным описаниям, а не формально-синтаксическим. В частности, психология восприятия различает состояния восприятия не посредством синтаксических свойств, а через репрезентационные отношения к дистальным формам, размерам, цветам и т.д. Для понимания этой критики необходимо разделять формально-синтаксическое и нейрофизиологическое описания.

Главный вопрос здесь состоит в том, должна ли научная психология дополнять интенциональные и нейрофизиологические описания неинтенциональными и множественно реализуемыми формально-синтаксическими описаниями.

Экстернализм в отношении ментального содержания

В основополагающей статье Патнэма «О значении „значения“» (Putnam 1975: 215–271) был предложен мысленный эксперимент о Земле-двойнике, в котором описывается мир, в котором H2O заменена на качественно схожую субстанцию XYZ с другим химическим составом. Патнэм настаивает на том, что XYZ — это не вода и что носители языка на Земле-двойнике используют слово «вода» применительно к XYZ, а не к воде. Бёрдж (Burge 1982) не ограничивается языковой референцией, экстраполируя этот вывод на ментальные содержания. Он утверждает, что жители Земли-двойника инстанцируют ментальные состояния с другими содержаниями. Например, если Оскар на Земле считает, что вода утоляет жажду, то его двойник на Земле-двойнике мыслит мысль с другим содержанием, которую мы можем обозначить как «вода-двойник утоляет жажду». Бёрдж приводит к выводу, что ментальное содержание не супервентно на внутренней нейрофизиологии.

Формальные синтаксические свойства содержаний сознания считаются во многом супервентными на внутренней нейрофизиологии. Например, Оскар и двойник Оскара инстанцируют одни и те же формально-синтаксические манипуляции. Из экстернализма в отношении содержания следует, что между обыденным интенциональным описанием и формально-синтаксическим описанием пролегает пропасть.

Экстернализм содержания поднимает серьезные вопросы, касающиеся объяснительной ценности репрезентационного содержания для научной психологии.

Аргумент причинности (Fodor 1987, 1991): как содержание сознания может оказывать какое бы то ни было влияние за пределами проявленного во внутренней нейрофизиологии? Не существует никакого «психологического воздействия на расстоянии». Различия в физической среде влияют на поведение не иначе, как вызывая изменения в локальных состояниях мозга. Таким образом, каузально релевантными являются только те факторы, которые вытекают из внутренних нейрофизиологических процессов. Содержание сознания, индивидуируемое извне, каузально иррелевантно.

Аргумент от объяснения (Stich 1983): строгое научное объяснение не учитывает факторов за пределами организма субъекта. Обыденная психология может создавать классификацию состояний сознания, основанную на взаимоотношениях с внешней средой, но научная психология должна классифицировать ментальные состояния на основе исключительно факторов, вытекающих из внутренних нейрофизиологических процессов.

 Они должны воспринимать Оскара и его двойника как полные копии с психологической точки зрения.

Некоторые авторы руководствуются этими двумя аргументами в связке. Оба аргумента приходят к одному и тому же выводу: содержание сознания, индивидуируемое извне, не имеет законного места в рамках каузальных объяснений в научной психологии. Стич (Stich 1983) следует этой линии рассуждения, обосновывая свой формально-синтаксический элиминативизм.

Многие философы отвечают на возникающие сомнения, продвигая интернализм содержания. В то время как исследователи, придерживающиеся экстернализма в отношении содержания сознания, отстаивают широкое содержание (которое не следует из внутренней нейрофизиологии), содержательные интерналисты фокусируются на узком содержании (вытекающем из внутренней нейрофизиологии). Узкое содержание — это то, что остается от содержания сознания после того, как вычеркнуты все внешние элементы. В определенный момент своей карьеры Фодор (Fodor, 1981, 1987) склонялся к интернализму как к стратегии, способной объединить интенциональную психологию с КВТС+РТС+ФСК. Соглашаясь с тем, что широкому содержанию нет места в научной психологии, он подчеркивал, что узкое содержание должно играть главную объясняющую роль.

Радикальные интерналисты утверждают, что любое содержание является узким. Типичный анализ утверждает, что Оскар думает не о воде, а о некой более общей категории вещества, к которой также относится XYZ, так что и у Оскара, и у его двойника состояние сознания характеризуется одним и тем же содержанием. Тим Крейн (Crane 1991) и Гэбриел Сигал (Segal 2000) считают такой анализ верным. Они утверждают, что обыденная психология всегда индивидуирует пропозициональные установки узким образом. Менее радикальный интернализм рекомендует нам признать узкое содержание вдобавок к широкому. Обыденная психология может в некоторых случаях индивидуировать пропозициональные установки широким образом, но мы также можем выделить жизнеспособное понятие узкого содержания, которое оказывается полезным для важных философских или научных задач. Интерналисты предлагали различные определения узкого содержания (Block 1986; Chalmers 2002; Cummins 1989; Fodor 1987; Lewis 1994; Loar 1988; Mendola 2008). См. статью об узком ментальном содержании для обзора наиболее важных потенциальных определений.

Экстерналисты сетуют на то, что существующие теории узкого содержания являются отрывочными, неправдоподобными, бесполезными для психологического объяснения и противоречивыми во всех прочих отношениях (Burge 2007; Sawyer 2000; Stalnaker 1999). Экстерналисты также подвергают сомнению аргументы интерналистов о том, что психология нуждается в узком содержании.

Аргумент причинности. Экстерналисты настаивают на том, что широкое содержание может быть каузально релевантным. В деталях этот аргумент может варьироваться у разных представителей экстернализма, и его обсуждение часто оказывается неотделимым от сложных вопросов, касающихся причинности, контрфактических высказываний и метафизики сознания. Для общего введения в тему см. статью о ментальной каузальности, а также см. Burge (2007), Rescorla (2014a) и Yablo (1997, 2003) для более подробного рассмотрения дискуссий относительно экстернализма.

Аргумент объяснения. Экстерналисты считают, что психологическое объяснение может полноправно классифицировать ментальные состояния на основе факторов, лежащих за пределами внутренней нейрофизиологии (Peacocke 1993). Бёрдж отмечает, что науки, не относящиеся к психологии, зачастую выделяют отдельные типы объяснений реляционно, то есть через отношения ко внешним факторам. К примеру, считается ли та или иная структура сердцем, зависит (в общем случае) от того, служит ли она в своих естественных условиях задаче перекачки крови. Таким образом, физиология индивидуирует отдельные виды органов реляционно. Если так, то почему же психология не может аналогичным образом индивидуировать ментальные состояния реляционно? Подробнее об одном из наиболее примечательных обсуждений этого вопроса см. у Бёрджа (Burge 1986, 1989, 1995) и у Фодора (Fodor 1987, 1991).

Экстерналисты подвергают сомнению тезис, что у нас есть какие-то основания заменять или дополнять широкое содержание узким содержанием. Они считают, что поиск узкого содержания сознания уводит нас по ложному следу.

Бёрдж (Burge 2007, 2010a) защищает экстернализм, анализируя современные когнитивные науки. Он утверждает, что многие направления научной психологии (в частности психологии восприятия) индивидуируют ментальное содержание через каузальные связи со внешней средой. Исходя из этого он делает вывод, что научная практика воплощает собой экстерналистский подход. Что же до узкого содержания, то оно, по мнению Берджа, напротив, является философской фантазией, не имеющей никакой основы в современной науке.

Предположим, что мы оставим попытки найти узкое содержание сознания. Каковы будут перспективы объединения ВТС+ФСК с экстерналистской интенциональной психологией?

Фодор отстаивает этот подход в своих последующих работах (Fodor 1994, 2008). Он делает вывод о необходимости отвергнуть поиск «узкого содержания» в силу его тщетности. Он также предполагает, что формальные синтаксические механизмы реализуют экстерналистские законы психологии.

Ментальные вычисления манипулируют выражениями на ментализе в соответствии с их формальными синтаксическими свойствами, и эти формальные синтаксические манипуляции обеспечивают способность ментальной активности инстанцировать подходящие паттерны, обладающие свойствами закономерности и определяемые в отношении широкого содержания.

В свете различения интернализма и экстернализма имеет смысл еще раз обратиться к элиминативистскому вызову, описанному в разделе 5.1: какую объяснительную ценность интенциональное описание добавляет к формально-синтаксическому описанию? Интерналисты могут ответить, что подходящие формально-синтаксические манипуляции определяют, а возможно, и составляют узкое содержание сознания, так что интерналистское описание уже подразумевается в подходящем формально-синтаксическом описании (см. Field 2001: 75). Возможно, этот ответ и оправдывает интенциональный реализм, но возможно, что и нет. Важным, однако, является то обстоятельство, что аналогичного ответа, который удовлетворил бы экстерналистов, не существует. Экстерналистское интенциональное описание не подразумевается в формально-синтаксическом описании, так как формальный синтаксис может быть одним и тем же при наличии различного широкого содержания.

Таким образом, экстерналисты, разделяющие положения ВТС+ФСК, должны ответить, что именно мы приобретаем, добавляя к формально-синтаксическим объяснениям интенциональные. Если мы соглашаемся с тем, что ментальные вычисления чувствительны к синтаксису, но не к семантике, становится неясным, может ли широкое содержание иметь хоть какую-либо объяснительную ценность. Фодор рассматривает эту проблему с разных сторон, приводя ее наиболее систематический разбор в работе «Вяз и эксперт» (The Elm and the Expert, 1994). Последующую критику см. также у Arjo (1996), Aydede (1998), Aydede and Robbins (2001), Wakefield (2002) и Perry (1998). Близкие к фодоровским позиции также занимают Rupert (2008) и Schneider (2005). Кроме того, Dretske (1993) развивает альтернативную стратегию оправдания объяснительной релевантности понятия широкого содержания.

Вычисления, включающие содержание

Непреодолимый разрыв между вычислительным и интенциональным описаниями стал причиной появления множества работ, посвященных ВТС. Некоторые философы пытаются сократить этот разрыв за счет применения вычислительных описаний, индивидуирующих вычислительные состояния в репрезентативистских терминах. Такие описания, согласно терминологии Кристофера Пикока (Peacocke 1994), включают содержание.

Эта позиция может быть обозначена как компьютационализм, включающий содержание.

Философы, придерживающиеся этой позиции, не считают необходимым утверждать, что всякое вычислительное описание является интенциональным. В качестве примера предположим, что мы описываем простую машину Тьюринга, производящую манипуляции над символами, различающимися своей геометрической формой. В этом случае получающееся вычислительное описание навряд ли будет включать содержание. Соответствующим образом сторонники вычислений, включающих содержание, не утверждают, что вычисление, включающее содержание, является предметом общей теории вычислений. Они лишь утверждают, что некоторые важные вычислительные описания включают содержание.

Компьютационализм, включающий содержание, может быть развит как в интерналистском, так и в экстерналистском ключе. Сторонники интерналистского компьютационализма, включающего содержание, считают, что некоторые вычислительные описания идентифицируют ментальные состояния частично через их узкое содержание. Мурат Айдеде (Aydede 2005) предлагает двигаться именно в этом направлении. Экстерналистский компьютационализм, включающий содержание, предполагает, что некоторые вычислительные описания идентифицируют ментальные состояния частично через их широкое содержание. Эту точку зрения разделяют Тайлер Бёрдж (Burge 2010a: 95–101), Кристофер Пикок (Peacocke 1994, 1999), Майкл Рескорла (Rescorla 2012) и Марк Спревак (Sprevak 2010). Орон Шагрир (Shagrir 2001) отстаивает позиции компьютационализма, включающего содержание и занимающего нейтральное положение между интернализмом и экстернализмом.

Сторонники экстерналистского компьютационализма, включающего содержание, как правило, называют в качестве мотивирующего фактора практику когнитивных наук. Например, психология восприятия описывает систему восприятия как вычисление размеров объекта на основании сигналов с сетчатки и оценочного значения глубины объекта. Перцептивные «оценки» определяются репрезентативистски как репрезентации специфических дистальных размеров и глубин. Вполне правдоподобным образом репрезентационные отношения к специфическим дистальным размерам и глубинам не вытекают из внутренней нейрофизиологии. В таком случае вполне правдоподобно утверждать, что психология восприятия осуществляет идентификацию типов перцептивных вычислений через широкое содержание. Таким образом, экстерналистский компьютационализм, включающий содержание, вполне укладывается в практику современных когнитивных наук.

Главная проблема для компьютационализма, включающего содержание, заключается в совместимости со стандартными формальными вычислительными моделями, такими как машина Тьюринга. Как именно описания, включающие содержания, соотносятся с вычислительными моделями, встречающимися в рамках логики и компьютерных наук? Философы обычно предполагают, что эти модели предлагают неинтенциональные описания. Если это так, то этот факт стал бы серьезным и, возможно, решающим ударом по компьютационализму, включающему содержание.

С другой стороны, возможно, что многие известные нам формальные модели вычислений допускают не строго формально-синтаксическое, а включающее содержание толкование. Для примера рассмотрим машину Тьюринга.

 Возможно, формальная модель также позволяет нам различать символы отчасти и через их содержание. Разумеется, машинная таблица для машины Тьюринга не содержит явным образом семантических свойств символов (напр., обозначений или условий истинности). Тем не менее машинная таблица может содержать механические правила, описывающие, как манипулировать символами, где эти символы имеют тождество типов в плане содержания. В таком случае машинные таблицы задают переходы между состояниями, включающие содержания, не обращаясь явным образом к их семантическим свойствам. Айдеде (Aydede 2005) предлагает интерналистскую версию этой позиции, где символам присваивается тождество типов через их узкое содержание. Рескорла (Rescorla forthcoming) разворачивает эту позицию в сторону экстернализма, где символам присваивается тождество типов через их широкое содержание. Он утверждает, что некоторые подобные машине Тьюринга модели описывают вычислительные операции с символами ментализа, индивидуированными экстерналистски.

В принципе, возможно придерживаться и экстерналистского вычислительного описания, включающего содержание, и формально-синтаксического описания. Возможно также утверждать, что эти два вида описания соотносятся с двумя различными уровнями объяснения. Подобную точку зрения разделяет Пикок. Другие приверженцы компьютационализма, включающего содержание, относятся к формально-синтаксическим описаниям сознания с большим скепсисом. В частности, Бёрдж ставит под вопрос объяснительную ценность, которую формально-синтаксическое описание привносит в некоторые области научной психологии (такие как психология восприятия).

С этой точки зрения, элиминативистский вызов, изложенный в разделе 5.1, предлагает обратное рассмотрение данного вопроса. Не следует считать, что формально-синтаксическое описание имеет объяснительную ценность, и затем задаваться вопросом, какую ценность привносит описание интенциональное. Вместо этого следует принять экстерналистское интенциональное описание, предлагаемое современными когнитивными науками, и лишь после этого задаваться вопросом о ценности, которую может привнести формально-синтаксическое описание.

Сторонники формально-синтаксического описания отвечают на это, обращаясь к механизмам имплементации. Экстерналистское описание ментальной активности предполагает наличие подходящих каузально-исторических отношений между сознанием и внешней физической средой. Однако нам безусловно необходимо «локальное» описание, не рассматривающее внешние каузально-исторические отношения, — описание, которое проливает свет на лежащие в основе каузальные механизмы. Фодор (Fodor 1987, 1994) рассуждает подобным образом, чтобы мотивировать формально-синтаксический подход. Возможные ответы на аргумент имплементации с позиций экстернализма приведены в работах Бёрджа (Burge 2010b), Ши (Shea 2013) и Спревака (Sprevak 2010). Обсуждения касательно этого аргумента и касательно отношений между вычислением и репрезентацией в целом, по всей видимости, будут продолжаться неопределенно долго.

Альтернативные концепции вычисления

В литературе приводится несколько альтернативных концепций вычисления, как правило, выдвигаемых в качестве основ для ВТС. Во многих случаях эти концепции частично сходятся между собой или с концепциями, упомянутыми выше.

Обработка информации

Ученые-когнитивисты часто описывают вычисления как «обработку информации». Гораздо реже, однако, они дают четкий ответ на то, что имеется в виду под «информацией» или ее «обработкой». Без дополнительных пояснений такое описание мало чем отличается от пустой декларации.

Шеннон привел строгую математическую формализацию этой идеи, заложив основы теории информации (Cover and Thomas 2006). Шенноновская концепция информации является основополагающей для современных инженерных наук. Она также плодотворно используется и когнитивными науками, в особенности когнитивными нейронауками. Дает ли эта концепция убедительный анализ вычислений как «обработки информации»? Представим себе кассетную записывающую машину, которая записывает сообщения, полученные по беспроводному радио. В рамках модели Шеннона можно измерить, сколько информации содержится в некоем записанном сообщении. В некотором смысле записывающая машина «обрабатывает» информацию каждый раз, когда она проигрывает записанное сообщение. При этом машина, очевидно. не реализует никакой нетривиальной модели вычислений. Очевидно, что ни формальная модель машины Тьюринга, ни формальная модель нейронной сети не дают нам представления о том, как эта машина работает. Таким образом, возможно, что система занимается шенноновской обработкой информации, не производя при этом никаких вычислений в интересующем нас смысле.

Подобные примеры могут мотивировать на поиск более строгого понятия «обработки информации», в рамках которого кассетная машина не будет заниматься «обработкой» шенноновской информации. В альтернативном случае можно утверждать, что кассетная машина на самом деле выполняет нетривиальные вычисления. Пиччинини и Скарантино (Piccinini and Scarantino 2010) выдвигают крайне обобщенное понятие вычислений, которое они называют родовым вычислением (generic computation): в его рамках выполняется второй вариант.

Второе известное понятие информации может быть заимствовано из оказавшей большое влияние дискуссии о естественном значении, начатой Полом Грайсом (Grice, 1989). Естественное значение предполагает наличие надежных корреляций, допускающих контрфактические высказывания. Например, древесные кольца коррелируют с возрастом дерева, а оспа коррелирует с высыпанием на коже. В обыденной жизни мы описываем годичные кольца как несущие информацию о возрасте дерева, а оспу — как источник информации о сыпи и т.д. Подобные описания предполагают наличие концепции, связывающей информацию и достоверные корреляции, допускающие контрфактические высказывания. Фред Дретске (Dretske 1981) развивает данную концепцию в систематическую теорию, как и различные его последователи. Помогает ли концепция информации, предложенная Дретске, в правдоподобном анализе вычислений как «обработки информации»? Представим себе старинный биметаллический пластинный термостат. Два куска металла спаяны в пластину. Разность теплового расширения металлов вынуждает пластину изгибаться, тем самым активируя или дезактивируя нагревательный прибор.

Можно утверждать, стало быть, что некая система может обрабатывать информацию похожим на описанный Дретске образом, не производя каких-либо вычислений в интересующем нас смысле. Разумеется, возможно попытаться применить к этим примерам приемы, аналогичные описанным в предыдущем параграфе.

Третье важное определение информации — это семантическая информация, то есть репрезентационное содержание. Некоторые философы считают, что физическая система производит вычисления лишь в том случае, если состояния системы обладают репрезентационными свойствами (Dietrich 1989; Fodor 1998: 10; Ladyman 2009; Shagrir 2006; Sprevak 2010). В таком случае для производства вычислений требуется обработка информации. Как емко описывает это Фодор, «нет вычисления без представления» (Fodor 1975: 34). Тем не менее эта позиция неоднозначна. Чалмерс (Chalmers 2011) и Пиччинини (Piccinini 2008a) считают, что машина Тьюринга может производить вычисления, даже если символы, которыми она манипулирует, не имеют семантической интерпретации. Вычисления, производимые машиной, по природе своей исключительно синтаксичны и не имеют ничего похожего на семантические свойства. С этой точки зрения, чтобы считать физическую систему вычислительной, репрезентационное содержание не требуется.

Пока остается неясным, насколько лозунг «вычисление является обработкой информации» оказывается полезным. Тем не менее очевидно, что он вряд ли исчезнет из литературы в ближайшее время. Более подробно о возможных связях между вычислениями и информацией см. Галлистеля и Кинга (Gallistel and King 2009: 1–26), Лизье, Флекера и Уильямса (Lizier, Flecker and Williams 2013), Милковского (Milkowski 2013), а также Пиччинини и Скарантино (Piccinini and Scarantino 2010).

Функциональная оценка

Известный специалист в области психологии восприятия Дэвид Марр различает три уровня описания «устройства обработки информации».

Вычислительная теория: «устройство определяется как механизм отображения одного вида информации на другой, при том условии, что свойства отображения заданы точно, и само устройство демонстрирует адекватность поставленной задаче» (Marr 1982: 24).

Репрезентация и алгоритм: «выбор репрезентации для входных и выходных данных и алгоритм, используемый для преобразования первых во вторые» (Marr 1982: 24–25).

Материальная реализация: «подробное описание того, как алгоритм и репрезентация представлены физически» (Marr 1982: 25).

Три уровня, предложенные Марром, были подвергнуты тщательному философскому рассмотрению. Для нас представляется важным то, что «вычислительный уровень» в формулировке Марра описывает отображение ввода на вывод, не приводя описания промежуточных шагов. Марр иллюстрирует свой подход, приводя «теории вычислительного уровня» различных процессов восприятия, таких как распознавание контура.

Дискуссия, начатая Марром, предполагает функциональную концепцию вычисления, согласно которой вычисление является процессом трансформации входной информации в подходящую выходную информацию. Франсес Эган в ряде статей также развивает функциональную концепцию (Egan 1991, 1992, 1999, 2003, 2010, 2014). Так же как и Марр, она трактует вычислительное описание как описание отношений между вводом и выводом. Она также заявляет, что вычислительные модели описывают строго математические функции, то есть отображение математически описанных входных данных на математически описанные выходные. Она иллюстрирует этот тезис, приводя пример визуального механизма, называемого «Visua», занимающегося вычислением глубины объекта исходя из несовпадения зрительных сигналов на сетчатке глаз. Она вводит воображаемый нейрофизиологический двойник этого механизма («Visua-двойник»), настолько иначе встроенный в физическую среду, что он не дает репрезентации глубины. Visua и Visua-двойник инстанцируют перцептивные состояния, имеющие разные репрезентационные свойства. Тем не менее, по мнению Эган, наука о зрительном восприятии считает Visua и Visua-двойник вычислительными дубликатами. Visua и Visua-двойник вычисляют одну и ту же математическую функцию, даже если вычисления имеют различные репрезентационные значения в этих двух случаях. Эган приходит к выводу, что вычислительное моделирование сознания дает «абстрактное математическое описание», совместимое со многими возможными альтернативными репрезентационными описаниями. Интенциональная атрибуция является не более чем эвристическим толкованием лежащего в основе вычислительного описания.

Чалмерс (Chalmers 2012) утверждает, что функциональная концепция обходит стороной некоторые важные свойства вычисления. Согласно Чалмерсу, вычислительные модели, как правило, описывают нечто большее, чем просто отношения ввода и вывода. Они также описывают промежуточные этапы, проходя которые входные данные превращаются в выходные. Эти промежуточные этапы, которые Марр относит к «алгоритмическому» уровню, широко представлены в вычислительных моделях, выдвигаемых логиками и представителями компьютерных наук. Сведение понятия «вычисления» к описанию ввода-вывода не отражает стандартную практику вычислений.

Дополнительные сомнения возникают в отношении функциональных теорий, подобных теории Эган, которые рассматривают исключительно математические вводы и выводы. Критики отмечают, что Эган ошибочно превозносит математические функции в ущерб интенциональным объяснениям, постоянно используемым в рамках когнитивных наук (Burge 2005; Rescorla 2015; Silverberg 2006; Sprevak 2010). В качестве примера возьмем психологическое описание системы восприятия, оценивающей глубину некоего объекта в 5 метров. Перцептивная оценка глубины имеет репрезентационное содержание: она верна лишь в том случае, если глубина объекта составляет 5 метров. Мы можем использовать число 5 для идентификации оценки глубины. Однако наш выбор числа зависит от произвольного выбора единиц измерения. Критики утверждают, что для психологического объяснения важно содержание оценки глубины, а не произвольно выбранное число, с помощью которого теоретики описывают это содержание. Теория Эган ставит в центр объяснения число, а не содержание. Согласно Эган, вычислительное объяснение должно описывать визуальную систему как производящую вычисления конкретной математической функции, преобразующей конкретные математические входные данные в конкретные математические выходные данные. Эти конкретные математические входные и выходные данные зависят от нашего произвольного выбора единиц измерения, поэтому они, по всей видимости, не имеют той объяснительной значимости, которую Эган им приписывает.

Нам необходимо проводить различие между функциональным подходом в той форме, в которой его придерживаются Марр и Эган, от парадигмы функционального программирования в компьютерных науках. Парадигма функционального программирования моделирует вычисление сложной функции как последовательное вычисление простых функций. В качестве простого примера возьмем вычисление f(x,y)=(x2+y) путем последовательного вычисления сперва функции возведения в квадрат, а затем функции сложения. Функциональное программирование отличается от описаний «вычислительного уровня», описываемых Марром, так как оно определяет промежуточные этапы вычислений. Парадигма функционального программирования восходит к концепции лямбда-исчисления Алонзо Черча (Church 1936) и последующим языкам программирования, таким как PCF и LISP. Она играет важную роль и в ИИ, и в теоретических компьютерных науках. Некоторые авторы предполагают, что она является важным инструментом понимания ментальных вычислений (Klein 2012; Piantadosi, Tenenbaum and Goodman 2012). Тем не менее многие вычислительные формализмы не соответствуют функциональной парадигме, а именно: машины Тьюринга, императивные языки программирования, такие как C, логические языки программирования, такие как Prolog, и т.п.

Структурализм

Многие философские дискуссии воплощают структуралистскую концепцию вычислений: вычислительная модель описывает абстрактную каузальную структуру без учета конкретных физических состояний, которые ее инстанцируют.

Эта концепция восходит как минимум к изначальному подходу Патнэма (Putnam 1967). Чалмерс (Chalmers 1995, 1996a, 2011, 2012) раскрывает ее более подробно. Он вводит формальную модель комбинаторных конечных автоматов (ККА), включающую большую часть вычислительных моделей (включая машины Тьюринга и нейронные сети).

Чалмерс использует структуралистский подход для выделения наиболее общей версии ВТС. Он занимает функционалистскую точку зрения, согласно которой психологические состояния отличаются друг от друга своими ролями в паттерне каузальной организации. Психологическое описание определяет каузальные роли, не привязанные к физическим состояниям, которые их реализуют. Таким образом, психологические свойства являются организационно инвариантными, поскольку они следуют из каузальной топологии. Поскольку вычислительное описание характеризует каузальную топологию, соответствия подходящему вычислительному описанию достаточно для инстанциации подходящих свойств сознания. Это также означает, что психологическое описание представляет собой разновидность вычислительного описания, поэтому вычислительное описание должно играть центральную роль в психологическом описании. Таким образом, структуралистские вычисления составляют надежное основание для когнитивных наук. Психика основывается на каузальных паттернах, формулированию которых как раз служат вычислительные модели.

Структурализм включает в себя привлекательное описание связей имплементации между абстрактными вычислительными моделями и физическими системами. Итак, при каких же условиях физическая система реализует вычислительную модель? Структуралисты считают, что физическая система реализует модель только в том случае, если каузальная структура модели «изоморфна» формальной структуре модели. Вычислительная модель описывает физическую систему, детально описывая формальную структуру, отражающую определенную соответствующую каузальную топологию. Чалмерс развивает дальше эту интуитивную идею, приводя детальные необходимые и достаточные условия для физической реализации ККА. Вряд ли существуют альтернативные концепции вычисления, которые давали бы настолько реалистичные представления об отношениях имплементации.

Для понимания структуралистского компьютационализма будет уместно сопоставить его с некоторыми изложенными выше теориями.

Машинный функционализм. Структуралистский компьютационализм разделяет основную идею машинного функционализма: ментальные состояния являются функциональными состояниями, которые можно описать с помощью подходящей формальной вычислительной модели. Патнэм выдвигает ВТС в качестве эмпирической гипотезы и отстаивает функционализм на этом основании. Чалмерс, напротив, идет по стопам Дэвида Льюиса (Lewis 1972), обосновывая функционализм концептуальным анализом менталистского дискурса. В то время как Патнэм отстаивает функционализм с позиций компьютационализма, Чалмерс отстаивает компьютационализм, принимая сторону функционализма.

Классический компьютационализм, коннекционизм и вычислительные нейронауки. Структуралистский компьютационализм подчеркивает организационную инвариантность описаний, обладающих свойством множественной реализуемости. В этом отношении он расходится с вычислительными нейронауками. Структурализм совместим и с классическим, и с коннекционистским компьютационализмом, однако по духу он отличается от этих воззрений. И классические компьютационалисты, и коннекционисты считают, что обе их противоречащие друг другу позиции являются фактически обоснованными. Чалмерс утверждает, что структуралистский компьютационализм является относительно минималистичным подходом, который вряд ли будет опровергнут.

Интенциональный реализм и элиминативизм. Структуралистский компьютационализм является совместимым с обоими подходами. Описание с использованием ККА не обращается напрямую к семантическим свойствам, таким как соответствие, условия истинности, репрезентационное содержание и т.п. Сторонники структуралистского компьютационализма не считают необходимым придавать репрезентационному содержанию сколько-нибудь важную роль в научной психологии. С другой стороны, структуралистский компьютационализм не исключает возможной значимости репрезентационного содержания.

Формально-синтаксическая концепция вычислений. Широкое содержание зависит от каузально-исторических отношений с внешней средой, которые находятся за пределами каузальной топологии. Таким образом, описание ККА оставляет широкое содержание неопределенным. Узкое содержание, по всей видимости, следует из каузальной топологии, однако описание ККА не касается узкого содержания явным образом. В целом структуралистский компьютационализм отдает приоритет формальному несемантическому вычислительному описанию. В этом отношении он схож с ФСК. С другой стороны, сторонники структуралистского компьютационализма не считают необходимым утверждать, что вычисление является «нечувствительным» к семантическим свойствам, поэтому им нет нужды поддерживать ФСК во всех аспектах.

Несмотря на то, что структуралистский компьютационализм отличается от ВТС+ФСК, он обращается к схожим вопросам. Например, Рескорла (Rescorla 2012) отрицает, что каузальная топология играет главную объяснительную роль в рамках когнитивных наук, как то предписывает структуралистский компьютационализм. Он предполагает, что такой приоритетной ролью обладает экстерналистское интенциональное описание, а не организационно инвариантное. С другой стороны, специалисты в области вычислительных нейронаук считают, что следует отказаться от организационно инвариантных описаний, используя вместо этого вычислительные модели с большим уровнем соответствия нейронным системам. В ответ на эти возражения Чалмерс (Chalmers 2012) утверждает, что организационно инвариантное вычислительное объяснение обладает преимуществами, недоступными ни для интенционального, ни для нейрофизиологического описания: оно обнаруживает основополагающие механизмы когнитивной деятельности (в отличие от интенционального описания) и в то же время абстрагируется от характеристик его реализации посредством нейронных систем, которые во многих случаях являются нерелевантными для объяснения когнитивной деятельности.

Механистические теории

Механистическая природа вычислений является часто «всплывающей» темой в логике, философии и когнитивных науках. Гвальтиеро Пиччинини (Piccinini 2007, 2012, 2015) и Марцин Милковски (Milkowski 2013) развили ее в механистическую теорию вычислительных систем.

Вычислительная система является функциональным механизмом определенного рода. Согласно Пиччинини, вычислительная система является механизмом, компоненты которого функционально организованы для обработки носителей информации в соответствии с определенными правилами. Подобно тому как Патнэм выдвигает тезис о множественной реализуемости, Пиччинини утверждает, что правила должны быть независимыми от материальных носителей, не зависящими от конкретных видов физической реализации носителей информации.

 Вычислительное объяснение разделяет систему на части и описывает, как каждая часть помогает системе обрабатывать релевантные носители информации.

Если система обрабатывает дискретно структурированные носители информации, вычисление считается цифровым. Если система занимается обработкой континуальных носителей информации, вычисление считается аналоговым. Милковски занимает схожую позицию относительно механистического подхода. Он расходится с Пиччинини в трактовке концепции «обработки информации», согласно которой вычислительные механизмы работают с состояниями, содержащими информацию. Милковски и Пиччинини развивают свои механистические теории в русле компьютационализма.

Сторонники механистического компьютационализма, как правило, выделяют вычислительные состояния несемантическим путем. В силу этого механистический компьютационализм вызывает те же вопросы, касающиеся объяснительной роли репрезентационного содержания, что и ФСК и структурализм. В частности, Шагрир (Shagrir 2014) отмечает, что механистический компьютационализм несовместим с объяснениями в рамках когнитивных наук, которые являются одновременно и вычислительными, и репрезентационными. Эта критика может восприниматься более или менее убедительной в зависимости от того, насколько читатель разделяет положения компьютационализма, включающего содержание.

Плюрализм

Ранее нами были рассмотрены различные и при этом частично пересекающиеся концепции вычислений: вычисление классическое, коннекционистское, нейронное, формально-синтаксическое, а также вычисление, включающее содержание, вычисление как обработка информации, функциональное вычисление, структуралистское и, наконец, механистическое вычисление. Каждая концепция дает на выходе отличную от других форму компьютационализма. Каждая концепция обладает своими достоинствами и недостатками.

Плюралистическую позицию отстаивает Эдельман (Edelman 2008), равно как и Чалмерс (Chalmers 2012) в своих недавних работах.

Плюралистическая позиция, естественно, вызывает определенные вопросы. Возможен ли общий анализ, объединяющий все представленные или хотя бы большинство из представленных видов вычислений? Все ли виды вычислений имеют общие характерные особенности? Не объединены ли они вместо этого неким подобием родственных отношений? Для ответа на эти вопросы требуется более глубокое понимание компьютационализма.

Возражения против вычислительной теории

ВТС является активно оспариваемой теорией. Во многих случаях возражения относятся только к отдельным версиям ВТС (напр., к классическому или коннекционистскому компьютационализму). Ниже приведены некоторые значимые возражения. Также см. статью, посвященную аргументу китайской комнаты, для более подробного обзора возражений против классического компьютационализма, выдвигаемых Джоном Сёрлем (1998).

Аргументы по поводу тривиальности

Одним из часто возникающих опасений относительно ВТС является возможная ее тривиальность, так как в принципе возможно описать любую физическую систему как систему, производящую вычисления. Сёрл (Searle 1990) считает, что обычная стена может выполнять любую компьютерную программу, поскольку возможно выявить определенный паттерн движения молекул, который окажется изоморфным формальной структуре программы. Патнэм (Putnam 1988: 121–125) выдвигает менее радикальный, но все же сильный тезис о тривиальности вычислений в той же логике. Аргументы тривиальности играют важную роль в философской литературе. Антикомпьютационалисты разворачивают аргументы тривиальности против компьютационализма, в то время как компьютационалисты стремятся избежать тривиальности.

Эти ограничения могут быть контрфактически моделируемыми, каузальными, семантическими или иными, в зависимости от того, какой теории вычислений придерживается контраргументирующий. В частности, Дэвид Чалмерс (Chalmers 1995, 1996a) и Брайан Джек Коупленд (Copeland 1996) считают, что аргумент по поводу тривиальности Патнэма игнорирует гипотетически моделируемые условия, которым система должна соответствовать для того, чтобы реализовывать вычислительную модель. Другие философы считают, что физическая система должна иметь репрезентационные свойства для того, чтобы реализовывать вычислительную модель (Fodor 1998: 11–12; Ladyman 2009; Sprevak 2010), или как минимум реализовывать вычислительную модель, включающую содержание (Rescorla 2013, 2014b). В этой дискуссии существует множество различных нюансов, и компьютационалисты часто спорят между собой по поводу того, какие виды вычислений позволяют избежать аргумента от тривиальности. Тем не менее все компьютационалисты сходятся на том, что возможно защититься от самых радикальных аргументов от тривиальности, создав достаточно прочную теорию отношений имплементации между вычислительными моделями и физическими системами.

Панкомпьютационализм исходит из предпосылки, что любая физическая система реализует определенную модель вычислений. Этот тезис является правдоподобным, поскольку любая физическая система может считаться выполняющей достаточно тривиальную вычислительную модель (напр., конечный автомат с единственным состоянием). Как отмечает Чалмерс (Chalmers 2011), панкомпьютационализм не представляет угрозы для компьютационализма. Угрозу представляет более сильный тезис о тривиальности, согласно которому почти любая физическая система реализует почти любую вычислительную модель.

Более подробное изложение дискуссии об аргументах от тривиальности и реализации вычислений см. в статье о вычислениях в физических системах.

Теорема Гёделя о неполноте

Согласно некоторым авторам, теоремы Гёделя о неполноте демонстрируют математическое превосходство человеческого сознания над любой машиной Тьюринга (Нагель и Ньюмен 2010). Дж. Р. Лукас (Lucas 1961) на этой основе развивает значимые возражения против КВТС. Эти возражения далее развиваются Роджером Пенроузом в книге «Новый ум короля» (2003) и последующих работах. Многие философы и логики отвечали на эту критику, обращая внимания на изъяны, сомнительные предположения и даже откровенные математические ошибки в существующих формулировках (Bowie 1982; Chalmers 1996b; Feferman 1996; Lewis 1969, 1979; Putnam 1975: 365–366, 1994; Shapiro 2003).

Ограничения вычислительных моделей

Может ли компьютер сочинить Третью симфонию Бетховена? Или же сформулировать общую теорию относительности? Или же воспроизвести способность к восприятию пространства, завязыванию шнурков и различению эмоций других людей, без усилий доступную даже ребенку? По-видимому, интуитивная, творческая или квалифицированная деятельность человека неподвластна формализации посредством компьютерной программы (Дрейфус 2009, Dreyfus 1992).

Забавно, что это критическое замечание в самой сильной форме высказывает Фодор. Даже в своих ранних работах по КВТС Фодор (Fodor 1975: 197–205) выражает скепсис, что КВТС может быть применима ко всем важным когнитивным явлениям. Этот пессимизм проявляется в еще более сильной форме в его более поздних работах (Fodor 1983, 2000), фокусирующихся, в частности, на абдуктивном мышлении как на явлении сознания, потенциально неподвластному вычислительному моделированию. Его основной аргумент может быть в сжатой форме выражен так:

1. (1) Вычисление, подобное машине Тьюринга, чувствительно только к «локальным» свойствам ментальной репрезентации, которые исчерпываются идентичностью и организацией их компонентов.
2. (2) Многие ментальные процессы, парадигматически связанные с абдуктивным мышлением, чувствительны к «нелокальным» свойствам, таким как релевантность, простота и консерватизм.
3. (3) В силу этого мы, возможно, будем вынуждены отказаться от моделирования соответствующих процессов по Тьюрингу.
4. (4) К сожалению, на данный момент мы не знаем, какая альтернативная теория может стать подходящей заменой.

Некоторые критики отрицают пункт (1), утверждая, что можно представить некие вычисления, подобные машине Тьюринга, которые были бы чувствительными к «нелокальным» свойствам (Schneider 2011; Wilson 2005). Некоторые возражают против пункта (2), утверждая, что типичные абдуктивные заключения чувствительны только к «локальным» свойствам (Carruthers 2003; Ludwig and Schneider 2008; Sperber 2002). Некоторые соглашаются с (3), но ставят под вопрос (4), настаивая на том, что сейчас у нас имеются многообещающие нетьюринговы модели соответствующих ментальных процессов (Pinker 2005). Частично в ответ на эту критику Фодор весьма подробно развивает свою аргументацию. В защиту тезиса (2) он подвергает критике теории, моделирующие абдукцию за счет реализации «локальных» эвристических алгоритмов (Fodor 2005: 41–46; 2008: 115–126) или же постулирующие наличие большого числа специализированных когнитивных модулей (Fodor, 2005: 56–100). В защиту пункта (4) он подвергает критике разные теории, пытающиеся моделировать абдукцию с помощью нетьюринговых моделей (Fodor 2000: 46–53; 2008), таких как коннекционистские сети.

Область применения вычислительного моделирования и его ограничения остается предметом споров. Можно с уверенностью утверждать, что эта тема останется в фокусе научных исследований и будет развиваться параллельно с ИИ.

Темпоральные аргументы

Ментальная активность разворачивается во времени. Более того, сознание решает сложные задачи (в частности, оценку восприятия) очень быстро.

Одну и ту же абстрактную машину Тьюринга можно физически реализовать на кремниевом чипе или на более медленном устройстве с вакуумными трубками, или даже на еще более медленном рычажно-блочном устройстве. Критики считают, что КВТС должна быть отвергнута и заменена некой другой моделью, которая будет более ясным образом включать в себя соображения касательно темпоральности. Ван Гельдер и Порт (van Gelder and Port 1995) на основе этого аргумента продвигают теорию невычислительных динамических систем для моделирования работы сознания. Элиасмит (Eliasmith 2003, 2013: 12–13) использует этот аргумент в защиту своей парадигмы нейронного инжиниринга.

Компьютационалисты в ответ на это заявляют, что мы можем дополнить абстрактную вычислительную модель соображениями, связанными со временем (Piccinini 2010; Weiskopf 2004).

Так, машина Тьюринга подразумевает дискретные «стадии вычисления», не раскрывая того, как они соотносятся с физическим временем. Однако возможно дополнить модель, описывая длительность каждой стадии и тем самым переводя «вневременную» модель машины Тьюринга в теорию, которая дает детализированные прогнозы относительно времени. Многие сторонники ВТС используют это дополнение, чтобы изучать темпоральные свойства сознания (Newell 1990). Аналогичное дополнение широко представлено в компьютерных науках, где одна из насущных задач для технических специалистов — создание машин с подходящими временными характеристиками.

Компьютационалисты приходят к выводу, что должным образом дополненная версия ВТС может адекватно описать, как познание разворачивается во времени.

Второе возражение касательно темпоральности обращается к разнице между дискретным и непрерывным ходом времени (van Gelder and Port 1995). Вычисление посредством машины Тьюринга происходит в виде последовательности дискретных шагов, в то время как ментальная активность развертывается в непрерывном времени. Таким образом, существует фундаментальное несоответствие между темпоральными свойствами вычислений, подобных машине Тьюринга, и темпоральными свойствами известной нам деятельности сознания. Очевидна потребность в психологической теории, описывающей изменения в непрерывном времени.

Компьютационалисты на это возражение отвечают, что оно основывается на еще не доказанном предположении о том, что активность сознания не может быть разделена на важные с точки зрения объяснения дискретные стадии (Weiskopf 2004).

Коль скоро физическое время непрерывно, то и ментальная активность должна развертываться в непрерывном времени. Отсюда, однако, не следует, что когнитивные модели должны иметь непрерывную темпоральную структуру.

Персональный компьютер работает в непрерывном времени, и его физическое состояние также меняется непрерывно. Все эти физические изменения должна отражать полная физическая теория. Однако вычислительная модель не должна отражать все физические изменения, происходящие с компьютером. Вычислительная модель имеет дискретную темпоральную структуру. Оправдано ли предположение, что хорошая когнитивная модель сознания должна отражать все физические изменения в мозгу?

Воплощенное познание

Воплощенное познание — это тема направления исследований, вдохновленных европейским философом Морисом Мерло-Понти, специалистом в области психологии восприятия Джеймсом Джеромом Гибсоном и другими влиятельными учеными в разных областях. Само по себе это направление весьма неоднородно, в его основе — подчеркивание связи между познанием, телесной активностью и окружающей средой. Один из ранних и значимых постулатов был изложен Варелой, Томпсоном и Рошем (Varela, Thompson and Rosch 1991). Во многих случаях сторонники этого подхода используют инструментарий теории динамических систем. Они часто представляют свой подход в качестве радикальной альтернативы компьютационализму (Chemero 2009; Kelso 1995; Thelen and Smith 1994). ВТС, как они отмечают, расценивает активность сознания как статичное манипулирование символами, оторванное от среды, в которую оно на самом деле встроено. Она не учитывает огромного количества способов, посредством которых внешняя среда, каузально или же конститутивно, определяет активность сознания.

Зачастую эта критика зиждется на в целом элиминативистской позиции относительно интенциональных явлений.

Компьютационалисты в ответ утверждают, что ВТС признает важность телесной системы, в которой воплощено сознание. Вычислительные модели могут учитывать постоянное взаимодействие сознания, тела и окружающей среды. В конце концов, вычислительные модели могут включать в себя сенсорные входные данные и моторный выход. Пока что нет очевидных причин утверждать, что акцент на взаимодействии агента и среды исключает возможность сфокусироваться также на ментальных вычислениях (Clark 2014: 140–165; Rupert 2009).

Компьютационалисты исходят из предпосылки, что ВТС в состоянии включить в себя любые правомерные открытия в рамках концепции воплощенного сознания. Они также настаивают на том, что ВТС по-прежнему остается наилучшей общей теорией, объясняющей многие ключевые психологические явления.

Библиография

·             Дрейфус, Х., 2009, Чего не могут вычислительные машины. Критика искусственного разума, Москва: Либроком.

·             Куайн, У.В.О., 2000, Слово и объект, Москва: Логос, Праксис.

·             Нагель, Э., Ньюмен, Дж. Р., 2010, Теорема Гёделя, Москва: Красанд.

·             Пенроуз, Р., 2003, Новый ум короля. О компьютерах, мышлении и законах физики, Москва: Эдиториал УРСС.

·             Сёрл, Дж., 1998. Сознание, мозг и программы. Аналитическая философия: становление и развитие (ред. А. Ф. Грязнов), Москва: Дом интеллектуальной книги, Прогресс-Традиция, с. 376–400.

·             Уайтхед, А., Рассел, Б., 2005–06, Основания математики: В 3 т., Самара: Самарский университет.

·             Фреге, Г., 2000. Запись в понятиях. Логика и логическая семантика, Москва: Аспект-Пресс, 2000, с. 63–212.

·             Хомский, Ноам, 1972, Аспекты теории синтаксиса, Москва: Издательство Московского университета.

·             Arjo, D., 1996, “Sticking Up for Oedipus: Fodor on Intentional Generalizations and Broad Content”, Mind and Language, 11: 231–245.

·             Aydede, M., 1998, “Fodor on Concepts and Frege Puzzles”, Pacific Philosophical Quarterly, 79: 289–294.

·             –––, 2005, “Computationalism and Functionalism: Syntactic Theory of Mind Revisited”, in Turkish Studies in the History and Philosophy of Science, G. Irzik and G. Güzeldere (eds), Dordrecht: Springer.

·             Aydede, M. and P. Robbins, 2001, “Are Frege Cases Exceptions to Intentional Generalizations?”, Canadian Journal of Philosophy, 31: 1–22.

·             Bechtel, W. and A. Abrahamsen, 2002, Connectionism and the Mind, Malden: Blackwell.

·             Bermúdez, J.L., 2005, Philosophy of Psychology: A Contemporary Introduction, New York: Routledge.

·             –––, 2010, Cognitive Science: An Introduction to the Science of the Mind, Cambridge: Cambridge University Press.

·             Block, N., 1978, “Troubles With Functionalism”, Minnesota Studies in the Philosophy of Science, 9: 261–325.

·             –––, 1981, “Psychologism and Behaviorism”, Philosophical Review, 90: 5–43.

·             –––, 1983, “Mental Pictures and Cognitive Science”, Philosophical Review 92: 499–539.

·             –––, 1986, “Advertisement for a Semantics for Psychology”, Midwest Studies in Philosophy, 10: 615–678.

·             –––, 1990, “Can the Mind Change the World?”, in Meaning and Method: Essays in Honor of Hilary Putnam, G. Boolos (ed.), Cambridge: Cambridge University Press.

·             –––, 1995, The Mind as the Software of the Brain, in Invitation to Cognitive Science, vol. 3: Thinking, E. Smith and B. Osherson (eds), Cambridge: MIT Press.

·             Block, N. and J. Fodor, 1972, “What Psychological States Are Not”, The Philosophical Review, 81: 159–181.

·             Boden, M., 1991, “Horses of a Different Color?”, in Ramsey et al. 1991: 3-19.

·             Bontly, T., 1998, “Individualism and the Nature of Syntactic States”, The British Journal for the Philosophy of Science, 49: 557–574.

·             Bowie, G.L., 1982, “Lucas’s Number is Finally Up”, Journal of Philosophical Logic, 11: 79–285.

·             Brogan, W., 1990, Modern Control Theory, 3rd edition. Englewood Cliffs: Prentice Hall.

·             Burge, T., 1982, “Other Bodies”, in Thought and Object, A. Woodfield (ed.), Oxford: Oxford University Press. Reprinted in Burge 2007: 82-99.

·             –––, 1986, “Individualism and Psychology”, The Philosophical Review, 95: 3–45. Reprinted in Burge 2007: 221-253.

·             –––, 1989, “Individuation and Causation in Psychology”, Pacific Philosophical Quarterly, 70: 303–322. Reprinted in Burge 2007: 316-333.

·             –––, 1995, “Intentional Properties and Causation”, in Philosophy of Psychology, C. MacDonald and G. MacDonald (eds), Oxford: Blackwell. Reprinted in Burge 2007: 334-343.

·             –––, 2005, “Disjunctivism and Perceptual Psychology”, Philosophical Topics, 33: 1–78.

·             –––, 2007, Foundations of Mind, Oxford: Oxford University Press.

·             –––, 2010a, Origins of Objectivity, Oxford: Oxford University Press.

·             –––, 2010b, “Origins of Perception”, Disputatio, 4: 1–38.

·             –––, 2010c, “Steps Towards Origins of Propositional Thought”, Disputatio, 4: 39–67.

·             –––, 2013, Cognition through Understanding, Oxford: Oxford University Press.

·             Camp, E., 2009, “A Language of Baboon Thought?”, in The Philosophy of Animal Minds, R. Lurz (ed), Cambridge: Cambridge University Press.

·             Carruthers, P., 2003, “On Fodor’s Problem”, Mind and Language, 18: 508–523.

·             Chalmers, D., 1990, “Syntactic Transformations on Distributed Representations”, Connection Science, 2: 53–62.

·             –––, 1993, “Why Fodor and Pylyshyn Were Wrong: The Simplest Refutation”, Philosophical Psychology, 63: 305–319.

·             –––, 1995, “On Implementing a Computation”, Minds and Machines, 4: 391–402.

·             –––, 1996a, “Does a Rock Implement Every Finite State Automaton?”, Synthese, 108: 309–333.

·             –––, 1996b, “Minds, Machines, and Mathematics”, Psyche, 2: 11–20.

·             –––, 2002, “The Components of Content”, in Philosophy of Mind: Classical and Contemporary Readings, D. Chalmers (ed.), Oxford: Oxford University Press.

·             –––, 2011, “A Computational Foundation for the Study of Cognition”, The Journal of Cognitive Science, 12: 323–357.

·             –––, 2012, “The Varieties of Computation: A Reply”, The Journal of Cognitive Science, 13: 213–248.

·             Chemero, A., 2009, Radical Embodied Cognitive Science, Cambridge: MIT Press.

·             Cheney, D. and R. Seyfarth, 2007, Baboon Metaphysics: The Evolution of a Social Mind, Chicago: University of Chicago Press.

·             Church, A., 1936, “An Unsolvable Problem of Elementary Number Theory”, American Journal of Mathematics, 58: 345–363.

·             Churchland, P.M., 1981, “Eliminative Materialism and the Propositional Attitudes”, Journal of Philosophy, 78: 67–90.

·             –––, 1989, A Neurocomputational Perspective: The Nature of Mind and the Structure of Science, Cambridge: MIT Press.

·             –––, 1995, The Engine of Reason, the Seat of the Soul, Cambridge: MIT Press.

·             –––, 2007, Neurophilosophy At Work, Cambridge: Cambridge University Press.

·             Churchland, P.S., 1986, Neurophilosophy, Cambridge: MIT Press.

·             Churchland, P.S., C. Koch, and T. Sejnowski, 1990, “What Is Computational Neuroscience?”, in Computational Neuroscience, E. Schwartz (ed.), Cambridge: MIT Press.

·             Churchland, P.S. and T. Sejnowski, 1992, The Computational Brain, Cambridge: MIT Press.

·             Clark, A., 2014, Mindware: An Introduction to the Philosophy of Cognitive Science, Oxford: Oxford University Press.

·             Clayton, N., N. Emery, and A. Dickinson, 2006, “The Rationality of Animal Memory: Complex Caching Strategies of Western Scrub Jays”, in Rational Animals?, M. Nudds and S. Hurley (eds), Oxford: Oxford University Press.

·             Copeland, J., 1996, “What is Computation?”, Synthese, 108: 335–359.

·             Cover, T. and J. Thomas, 2006, Elements of Information Theory, Hoboken: Wiley.

·             Crane, T., 1991, “All the Difference in the World”, Philosophical Quarterly, 41: 1–25.

·             Crick, F. and C. Asanuma, 1986, “Certain Aspects of the Anatomy and Physiology of the Cerebral Cortex”, in McClelland et al. 1987: 333-371.

·             Cummins, R., 1989, Meaning and Mental Representation, Cambridge: MIT Press.

·             Davidson, D., 1980, Essays on Actions and Events, Oxford: Clarendon Press.

·             Dayan, P., 2009, “A Neurocomputational Jeremiad”, Nature Neuroscience, 12: 1207.

·             Dennett, D., 1971, “Intentional Systems”, Journal of Philosophy, 68: 87–106.

·             –––, 1987, The Intentional Stance, Cambridge: MIT Press.

·             –––, 1991, “Mother Nature versus the Walking Encyclopedia”, in Ramsey, et al. 1991: 21-30.

·             Dietrich, E., 1989, “Semantics and the Computational Paradigm in Cognitive Psychology”, Synthese, 79: 119–141.

·             Donahoe, J., 2010, “Man as Machine: A Review of Memory and Computational Brain, by C.R. Gallistel and A.P. King”, Behavior and Philosophy, 38: 83–101.

·             Dreyfus, H., 1992, What Computers Still Can’t Do, Cambridge: MIT Press.

·             Dretske, F., 1981, Knowledge and the Flow of Information, Oxford: Blackwell.

·             –––, 1993, “Mental Events as Structuring Causes of Behavior”, in Mental Causation, J. Heil and A. Mele (eds), Oxford: Clarendon Press.

·             Edelman, S., 2008, Computing the Mind, Oxford: Oxford University Press.

·             –––, 2014, “How to Write a ‘How a Build a Brain’ Book”, Trends in Cognitive Science, 18: 118–119.

·             Egan, F., 1991, “Must Psychology be Individualistic?”, Philosophical Review, 100: 179–203.

·             –––, 1992, “Individualism, Computation, and Perceptual Content”, Mind, 101: 443–459.

·             –––, 1999, “In Defense of Narrow Mindedness”, Mind and Language, 14: 177–194.

·             –––, 2003, “Naturalistic Inquiry: Where Does Mental Representation Fit In?”, in Chomsky and His Critics, L. Antony and N. Hornstein (eds), Malden: Blackwell.

·             –––, 2010, “A Modest Role for Content”, Studies in History and Philosophy of Science, 41: 253–259.

·             –––, 2014, “How to Think about Mental Content”, Philosophical Studies, 170: 115–135.

·             Eliasmith, C., 2003, “Moving Beyond Metaphors: Understanding the Mind for What It Is”, Journal of Philosophy, 100: 493–520.

·             –––, 2013, How to Build a Brain, Oxford: Oxford: University Press.

·             Eliasmith, C. and C.H. Anderson, 2003, Neural Engineering: Computation, Representation and Dynamics in Neurobiological Systems, Cambridge: MIT Press.

·             Elman, J., 1990, “Finding Structure in Time”, Cognitive Science, 14: 179–211.

·             Feferman, S., 1996, “Penrose’s Gödelian Argument”, Psyche, 2: 21–32.

·             Feldman, J. and D. Ballard, 1982, “Connectionist Models and their Properties”, Cognitive Science, 6: 205–254.

·             Field, H., 2001, Truth and the Absence of Fact, Oxford: Clarendon Press.

·             Figdor, C., 2009, “Semantic Externalism and the Mechanics of Thought”, Minds and Machines, 19: 1–24.

·             Fodor, J., 1975, The Language of Thought, New York: Thomas Y. Crowell.

·             –––, 1980, “Methodological Solipsism Considered as a Research Strategy in Cognitive Psychology”, Behavioral and Brain Science, 3: 63–73. Reprinted in Fodor 1981: 225-253.

·             –––, 1981, Representations, Cambridge: MIT Press.

·             –––, 1983, The Modularity of Mind, Cambridge: MIT Press.

·             –––, 1987, Psychosemantics, Cambridge: MIT Press.

·             –––, 1990, A Theory of Content and Other Essays, Cambridge: MIT Press.

·             –––, 1991, “A Modal Argument for Narrow Content”, Journal of Philosophy, 88: 5–26.

·             –––, 1994, The Elm and the Expert, Cambridge: MIT Press.

·             –––, 1998, Concepts, Oxford: Clarendon Press.

·             –––, 2000, The Mind Doesn’t Work That Way, Cambridge: MIT Press.

·             –––, 2005, “Reply to Steven Pinker ‘So How Does the Mind Work?’”, Mind and Language, 20: 25–32.

·             –––, 2008, LOT2, Oxford: Clarendon Press.

·             Fodor, J. and Z. Pylyshyn, 1988, “Connectionism and Cognitive Architecture: A Critical Analysis”, Cognition, 28: 3–71.

·             Gallistel, C.R., 1990, The Organization of Learning, Cambridge: MIT Press.

·             Gallistel, C.R. and King, A., 2009, Memory and the Computational Brain, Malden: Wiley-Blackwell.

·             Gandy, R., 1980, “Church’s Thesis and Principles for Mechanism”, in The Kleene Symposium, J. Barwise, H. Keisler, and K. Kunen (eds). Amsterdam: North Holland.

·             Gödel, K., 1936/65. “On Formally Undecidable Propositions of Principia Mathematica and Related Systems”, Reprinted with a new Postscript in The Undecidable, M. Davis (ed.), New York: Raven Press Books.

·             Grice, P., 1989, Studies in the Ways of Words, Cambridge: Harvard University Press.

·             Hadley, R., 2000, “Cognition and the Computational Power of Connectionist Networks”, Connection Science, 12: 95–110.

·             Harnish, R., 2002, Minds, Brains, Computers, Malden: Blackwell.

·             Haykin, S., 2008, Neural Networks: A Comprehensive Foundation, New York: Prentice Hall.

·             Haugeland, J., 1985, Artificial Intelligence: The Very Idea, Cambridge: MIT Press.

·             Horgan, T. and J. Tienson, 1996, Connectionism and the Philosophy of Psychology, Cambridge: MIT Press.

·             Horowitz, A., 2007, “Computation, External Factors, and Cognitive Explanations”, Philosophical Psychology, 20: 65–80.

·             Johnson, K., 2004, “On the Systematicity of Language and Thought”, Journal of Philosophy, 101: 111–139.

·             Johnson-Laird, P., 1988, The Computer and the Mind, Cambridge: Harvard University Press.

·             –––, 2004, “The History of Mental Models”, in Psychology of Reasoning: Theoretical and Historical Perspectives, K. Manktelow and M.C. Chung (eds), New York: Psychology Press.

·             Kazez, J., 1995, “Computationalism and the Causal Role of Content”, Philosophical Studies, 75: 231–260.

·             Kelso, J., 1995, Dynamic Patterns, Cambridge: MIT Press.

·             Klein, C., 2012, “Two Paradigms for Individuating Implementations”, Journal of Cognitive Science, 13: 167–179.

·             Ladyman, J., 2009, “What Does it Mean to Say that a Physical System Implements a Computation?”, Theoretical Computer Science, 410: 376–383.

·             Lewis, D., 1969, “Lucas against Mechanism”, Philosophy, 44: 231–3.

·             –––, 1972, “Psychophysical and Theoretical Identifications”, Australasian Journal of Philosophy, 50: 249–58.

·             –––, 1979, “Lucas Against Mechanism II”, Canadian Journal of Philosophy, 9: 373–376.

·             –––, 1994, “Reduction of Mind”, in A Companion to the Philosophy of Mind, S. Guttenplan (ed.), Oxford: Blackwell.

·             Lizier, J., B. Flecker, and P. Williams, 2013, “Towards a Synergy-based Account of Measuring Information Modification”, Proceedings of the 2013 IEEE Symposium on Artificial Life (ALIFE), Singapore: 43–51.

·             Ludwig, K. and S. Schneider, 2008, “Fodor’s Critique of the Classical Computational Theory of Mind”, Mind and Language, 23: 123–143.

·             Lucas, J.R., 1961, “Minds, Machines, and Gödel”, Philosophy, 36: 112–137.

·             MacLennan, B., 2012, “Analog Computation”, Computational Complexity, R. Meyers (ed.), New York: Springer.

·             McClelland, J., D. Rumelhart, and G. Hinton, 1986, “The Appeal of Parallel Distributed Processing”, in Rumelhart et al. 1986: 3-44.

·             McClelland, J., D. Rumelhart, and the PDP Research Group, 1987, Parallel Distributed Processing, vol. 2. Cambridge: MIT Press.

·             McCulloch, W. and W. Pitts, 1943, “A Logical Calculus of the Ideas Immanent in Nervous Activity”, Bulletin of Mathematical Biophysics, 7: 115–133.

·             McDermott, D., 2001, Mind and Mechanism, Cambridge: MIT Press.

·             Marcus, G., 2003, The Algebraic Mind, Cambridge: MIT Press.

·             Marr, D., 1982, Vision, San Francisco: W.H. Freeman.

·             Mendola, J., 2008, Anti-Externalism, Oxford: Oxford University Press.

·             Milkowski, M., 2013, Explaining the Computational Mind, Cambridge: MIT Press.

·             Mole, C., 2014, “Dead Reckoning in the Desert Ant: A Defense of Connectionist Models”, Review of Philosophy and Psychology, 5: 277–290.

·             Newell, A., 1990, Unified Theories of Cognition, Cambridge: Harvard University Press.

·             Newell, A. and H. Simon, 1956, “The Logic Theory Machine: A Complex Information Processing System”, IRE Transactions on Information Theory, IT-2, 3: 61–79.

·             –––, 1976, “Computer Science as Empirical Inquiry: Symbols and Search”, Communications of the ACM, 19: 113–126.

·             O’Keefe, J. and L. Nadel, 1978, The Hippocampus as a Cognitive Map, Oxford: Clarendon University Press.

·             Ockham, W., 1957, Summa Logicae, in his Philosophical Writings, A Selection, P. Boehner (ed. and trans.), London: Nelson.

·             Peacocke, C., 1992, A Study of Concepts, Cambridge: MIT Press.

·             –––, 1993, “Externalist Explanation”, Proceedings of the Aristotelian Society, 67: 203–230.

·             –––, 1994, “Content, Computation, and Externalism”, Mind and Language, 9: 303–335.

·             –––, 1999, “Computation as Involving Content: A Response to Egan”, Mind and Language, 14: 195–202.

·             Perry, J., 1998, “Broadening the Mind”, Philosophy and Phenomenological Research, 58: 223–231.

·             Piantadosi, S., J. Tenenbaum, and N. Goodman, 2012, “Bootstrapping in a Language of Thought”, Cognition, 123: 199–217.

·             Piccinini, G., 2004, “Functionalism, Computationalism, and Mental States”, Studies in History and Philosophy of Science, 35: 811–833.

·             –––, 2007, “Computing Mechanisms”, Philosophy of Science, 74: 501–526.

·             –––, 2008a, “Computation Without Representation”, Philosophical Studies, 137: 205–241.

·             –––, 2008b, “Some Neural Networks Compute, Others Don’t”, Neural Networks, 21: 311–321.

·             –––, 2010, “The Resilience of Computationalism”, Philosophy of Science, 77: 852–861.

·             –––, 2012, “Computationalism”, in The Oxford Handbook of Philosophy and Cognitive Science, E. Margolis, R. Samuels, and S. Stich (eds), Oxford: Oxford University Press.

·             –––, 2015, Physical Computation: A Mechanistic Account, Oxford: Oxford University Press.

·             Piccinini, G. and A. Scarantino, 2010, “Computation vs. Information processing: Why their Difference Matters to Cognitive Science”, Studies in History and Philosophy of Science, 41: 237–246.

·             Piccinini, G. and S. Bahar, 2013, “Neural Computation and the Computational Theory of Cognition”, Cognitive Science, 37: 453–488.

·             Piccinini, G. and O. Shagrir, 2014, “Foundations of Computational Neuroscience”, Current Opinion in Neurobiology, 25: 25–30.

·             Pinker, S., 2005, “So How Does the Mind Work?”, Mind and Language, 20: 1–24.

·             Pinker, S. and A. Prince, 1988, “On Language and Connectionism”, Cognition, 28: 73–193.

·             Putnam, H., 1967, “Psychophysical Predicates”, in Art, Mind, and Religion, W. Capitan and D. Merrill (eds), Pittsburgh: University of Pittsburgh Press. Reprinted in Putnam 1975 as “The Nature of Mental States”: 429-440.

·             –––, 1975, Mind, Language, and Reality: Philosophical Papers, vol. 2, Cambridge: Cambridge University Press.

·             –––, 1983, Realism and Reason: Philosophical Papers, vol. 3. Cambridge: Cambridge University Press.

·             –––, 1988, Representation and Reality, Cambridge, MA: MIT Press.

·             –––, 1994, “The Best of All Possible Brains?”, The New York Times, November 20, 1994: 7.

·             Pylyshyn, Z., 1984, Computation and Cognition, Cambridge, MA: MIT Press.

·             Ramsey, W., S. Stich, and D. Rumelhart (eds), 1991, Philosophy and Connectionist Theory, Hillsdale: Lawrence Erlbaum Associates.

·             Rescorla, M., 2009a, “Chrysippus’s Dog as a Case Study in Non-Linguistic Cognition”, In The Philosophy of Animal Minds, R. Lurz (ed.), Cambridge: Cambridge University Press.

·             –––, 2009b, “Cognitive Maps and the Language of Thought”, The British Journal for the Philosophy of Science, 60: 377–407.

·             –––, 2012, “How to Integrate Representation into Computational Modeling, and Why We Should”, Journal of Cognitive Science, 13: 1–38.

·             –––, 2013, “Against Structuralist Theories of Computational Implementation”, British Journal for the Philosophy of Science, 64: 681–707.

·             –––, 2014a, “The Causal Relevance of Content to Computation”, Philosophy and Phenomenological Research, 88: 173–208.

·             –––, 2014b, “A Theory of Computational Implementation”, Synthese, 191: 1277–1307.

·             –––, 2015, “Bayesian Perceptual Psychology”, in The Oxford Handbook of the Philosophy of Perception, M. Matthen (ed.), Oxford: Oxford University Press.

·             –––, forthcoming, “From Ockham to Turing—and Back Again”, in Turing 100: Philosophical Explorations of the Legacy of Alan Turing, (Boston Studies in the Philosophy and History), A. Bokulich and J. Floyd (eds), Springer.

·             Rogers, T. and J. McClelland, 2014, “Parallel Distributed Processing at 25: Further Explorations of the Microstructure of Cognition”, Cognitive Science, 38: 1024–1077.

·             Rumelhart, D., 1989, “The Architecture of Mind: A Connectionist Approach”, in Foundations of Cognitive Science, M. Posner (ed.), Cambridge: MIT Press.

·             Rumelhart, D., G. Hinton, and R. Williams, 1986, “Learning Representations by Back-propagating Errors”, Nature, 323: 533–536.

·             Rumelhart, D. and J. McClelland, 1986, “PDP Models and General Issues in Cognitive Science”, in Rumelhart et al. 1986: 110-146.

·             Rumelhart, D., J. McClelland, and the PDP Research Group, 1986, Parallel Distributed Processing, vol. 1. Cambridge: MIT Press.

·             Rupert, R., 2008, “Frege’s Puzzle and Frege Cases: Defending a Quasi-Syntactic Solution”, Cognitive Systems Research, 9: 76–91.

·             –––, 2009, Cognitive Systems and the Extended Mind, Oxford: Oxford University Press.

·             Russell, S. and P. Norvig, 2010, Artificial Intelligence: A Modern Approach, 3rd ed., New York: Prentice Hall.

·             Sawyer, S., 2000, “There Is No Viable Notion of Narrow Content”, in Contemporary Debates in Philosophy of Mind, B. McLaughlin and J. Cohen (eds), Malden: Blackwell.

·             Schneider, S., 2005, “Direct Reference, Psychological Explanation, and Frege Cases”, Mind and Language, 20: 423–447.

·             –––, 2011, The Language of Thought: A New Philosophical Direction, Cambridge: MIT Press.

·             Searle, J., 1990, “Is the Brain a Digital Computer?”, Proceedings and Addresses of the American Philosophical Association, 64: 21–37.

·             Segal, G., 2000, A Slim Book About Narrow Content, Cambridge: MIT Press.

·             Shagrir, O., 2001, “Content, Computation, and Externalism”, Mind, 110: 369–400.

·             –––, 2006, “Why We View the Brain as a Computer”, Synthese, 153: 393–416.

·             –––, 2014, “Review of Explaining the Computational Theory of Mind, by Marcin Milkowski”, Notre Dame Review of Philosophy, January 2014.

·             Shannon, C., 1948, “A Mathematical Theory of Communication”, Bell System Technical Journal 27: 379–423, 623–656.

·             Shapiro, S., 2003, “Truth, Mechanism, and Penrose’s New Argument”, Journal of Philosophical Logic, 32: 19–42.

·             Shea, N., 2013, “Naturalizing Representational Content”, Philosophy Compass, 8: 496–509.

·             Sieg, W., 2009, “On Computability”, in Philosophy of Mathematics, A. Irvine (ed.), Burlington: Elsevier.

·             Siegelmann, H. and E. Sontag, 1995, “On the Computational Power of Neural Nets”, Journal of Computer and Science Systems, 50: 132–150.

·             Silverberg, A., 2006, “Chomsky and Egan on Computational Theories of Vision”, Minds and Machines, 16: 495–524.

·             Sloman, A., 1978, The Computer Revolution in Philosophy, Hassocks: The Harvester Press.

·             Smolensky, P., 1988, “On the Proper Treatment of Connectionism”, Behavioral and Brain Sciences, 11: 1–74.

·             –––, 1991, “Connectionism, Constituency, and the Language of Thought”, in Meaning in Mind: Fodor and His Critics, B. Loewer and G. Rey (eds), Cambridge: Blackwell.

·             Sperber, D., 2002, “In Defense of Massive Modularity”, in Language, Brain, and Cognitive Development: Essays in Honor of Jacques Mehler, E. Dupoux (ed.), Cambridge: MIT Press.

·             Sprevak, M., 2010, “Computation, Individuation, and the Received View on Representation”, Studies in History and Philosophy of Science, 41: 260–270.

·             Stalnaker, R., 1999, Context and Content, Oxford: Oxford University Press.

·             Stich, S., 1983, From Folk Psychology to Cognitive Science, Cambridge: MIT Press.

·             Thelen, E. and L. Smith, 1994, A Dynamical Systems Approach to the Development of Cognition and Action, Cambridge: MIT Press.

·             Thrun, S., W. Burgard, and D. Fox, 2006, Probabilistic Robotics, Cambridge: MIT Press.

·             Thrun, S., M. Montemerlo, and H. Dahlkamp, et al., 2006, “Stanley: The Robot That Won the DARPA Grand Challenge”, Journal of Field Robotics, 23: 661–692.

·             Tolman, E., 1948, “Cognitive Maps in Rats and Men”, Psychological Review, 55: 189–208.

·             Trappenberg, T., 2010, Fundamentals of Computational Neuroscience, Oxford: Oxford University Press.

·             Turing, A., 1936, “On Computable Numbers, with an Application to the Entscheidungsproblem”, Proceedings of the London Mathematical Society, 42: 230–265.

·             –––, 1950, “Computing Machinery and Intelligence”, Mind, 49: 433–460.

·             van Gelder, T., 1990, “Compositionality: A Connectionist Variation on a Classical Theme”,Cognitive Science, 14: 355–384.

·             van Gelder, T. and R. Port, 1995, “It’s About Time: An Overview of the Dynamical Approach to Cognition”, in Mind as Motion: Explorations in the Dynamics of Cognition, R. Port and T. van Gelder (eds), Cambridge: MIT Press.

·             Varela, F., Thompson, E. and Rosch, E., 1991, The Embodied Mind: Cognitive Science and Human Experience, Cambridge: MIT Press.

·             von Neumann, J., 1945, “First Draft of a Report on the EDVAC”, Moore School of Electrical Engineering, University of Pennsylvania. Philadelphia, PA.

·             Wakefield, J., 2002, “Broad versus Narrow Content in the Explanation of Action: Fodor on Frege Cases”, Philosophical Psychology, 15: 119–133.

·             Weiskopf, D., 2004, “The Place of Time in Cognition”, British Journal for the Philosophy of Science, 55: 87–105.

·             Wilson, R., 2005, “What Computers (Still, Still) Can’t Do”, in New Essays in Philosophy of Language and Mind, R. Stainton, M. Ezcurdia, and C.D. Viger (eds). Canadian Journal of Philosophy, supplementary issue 30: 407–425.

·             Yablo, S., 1997, “Wide Causation”, Philosophical Perspectives, 11: 251–281.

·             –––, 2003, “Causal Relevance”, Philosophical Issues, 13: 316–327.

·             Zylberberg, A., S. Dehaene, P. Roelfsema, and M. Sigman, 2011, “The Human Turing Machine”, Trends in Cognitive Science, 15: 293–300.